Boosting Regolarizzato
Il boosting regolarizzato estende il gradient boosting aggiungendo controlli espliciti — shrinkage (tasso di apprendimento), penalità di peso L1/L2, subsampling e limiti alla complessità degli alberi — alla funzione obiettivo e alla regola di aggiornamento. Questi vincoli riducono l'overfitting, stabilizzano il modello su dataset rumorosi o piccoli e sono la ragione principale per cui sistemi come XGBoost e LightGBM superano costantemente il boosting vanilla sui benchmark tabulari del mondo reale.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/it/machine-learning/regularized-boosting
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BoostingApprendimento automatico↔ compare
- Gradient BoostingApprendimento automatico↔ compare
- Gradient Boosting RegolarizzatoApprendimento automatico↔ compare
- Random Forest RegolarizzatoApprendimento automatico↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →