Machine learningMachine learning
正則化勾配ブースティング
正則化勾配ブースティングは、古典的な加法木アンサンブル（Friedman 2001）を拡張し、木のサイズに対する複雑性ペナルティとともに、L1およびL2ペナルティ項を学習目的関数に直接埋め込みます。XGBoost（Chen & Guestrin 2016）によって普及したこのフレームワークは、ペナルティなしのブースティングと比較して過学習を減らし汎化性能を向上させつつ、表形式データに対する手法の特徴的な精度を維持します。
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.
+2 more
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/ja/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.
- ブースティング機械学習↔ compare
- 勾配ブースティング機械学習↔ compare
- LightGBM機械学習↔ compare
- 正則化決定木機械学習↔ compare
- 正則化ランダムフォレスト機械学習↔ compare
- XGBoost機械学習↔ compare