Machine learning
勾配ブースティング
勾配ブースティング（Gradient Boosting）は、2001年にJerome H. Friedmanによって定式化されたアンサンブル学習手法です。これは、通常は浅い決定木である弱学習器のシーケンスを結合し、それぞれの新しい木が先行する木の残差誤差を最小化するように適合されます。XGBoost、LightGBM、CatBoostなどの人気のある実装の核となるアルゴリズムです。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
出典
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
このページの引用方法
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/ja/machine-learning/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.
- 決定木機械学習↔ compare
- LightGBM機械学習↔ compare
- ロジスティック回帰研究統計↔ compare
- ランダムフォレスト機械学習↔ compare
- XGBoost機械学習↔ compare
この手法を参照する項目
アクティブラーニング勾配ブースティングアクティブラーニングLightGBMバギング（ブートストラップ集約）ベイズブースティングベイジアンLightGBMベイズ的XGBoostブースティングブースティングアンサンブル時系列予測のための conformal prediction説明可能なExtra Trees説明可能な勾配ブースティング説明可能なLightGBM説明可能なランダムフォレスト説明可能なスタッキングアンサンブル説明可能なXGBoostExtra Trees線形回帰（機械学習）多変量適応回帰スプライン（MARS）オンラインバギングオンラインブースティングオンライン勾配ブースティングオンラインLightGBM正則化ブースティング正則化されたCatBoost正則化勾配ブースティング正則化LightGBMロバストブースティングロバスト勾配ブースティングロバストLightGBMロバスト・ランダム・フォレストロバストスタッキングアンサンブルロバストXGBoost自己教師あり決定木自己教師あり勾配ブースティングセルフスーパーバイズドLightGBM半教師あり バギング半教師ありブースティング半教師あり CatBoost半教師あり決定木半教師あり勾配ブースティング半教師ありランダムフォレスト半教師ありスタッキングアンサンブルSemi-supervised XGBoostXGBoost