Gradient Boosting Regolarizzato
Il gradient boosting regolarizzato estende l'ensemble additivo di alberi classico (Friedman 2001) incorporando termini di penalità L1 e L2 direttamente nell'obiettivo di addestramento, insieme a una penalità di complessità sulla dimensione dell'albero. Popolarizzato da XGBoost (Chen & Guestrin 2016), questo framework riduce l'overfitting e migliora la generalizzazione rispetto al boosting non penalizzato, pur mantenendo l'accuratezza caratteristica del metodo sui dati tabulari.
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.
+2 more
Fonti
- 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 ↗
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/it/machine-learning/regularized-gradient-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
- LightGBMApprendimento automatico↔ compare
- Albero decisionale 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 →