Machine learningMachine learning
정규화 부스팅
정규화 부스팅은 명시적인 제어 — 축소(학습률), L1/L2 가중치 페널티, 부분 샘플링, 트리 복잡도 제한 — 를 목적 함수와 업데이트 규칙에 추가하여 그래디언트 부스팅을 확장합니다. 이러한 제약 조건은 과적합을 줄이고, 노이즈가 많거나 작은 데이터셋에서 모델을 안정화하며, XGBoost 및 LightGBM과 같은 시스템이 실제 테이블 형식 벤치마크에서 일반 부스팅보다 일관되게 우수한 성능을 보이는 핵심적인 이유입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/ko/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.
- 부스팅머신러닝↔ compare
- 그래디언트 부스팅머신러닝↔ compare
- 정규화된 경사 부스팅머신러닝↔ compare
- Regularized Random Forest머신러닝↔ compare
- XGBoost머신러닝↔ compare