Machine learningMachine learning

정규화된 경사 부스팅

정규화된 경사 부스팅(Regularized gradient boosting)은 L1 및 L2 페널티 항을 훈련 목적 함수에 직접 포함하고 트리 크기에 대한 복잡성 페널티를 추가하여 고전적인 가법 트리 앙상블(Friedman 2001)을 확장합니다. XGBoost(Chen & Guestrin 2016)에 의해 대중화된 이 프레임워크는 페널티가 없는 부스팅에 비해 과적합을 줄이고 일반화 성능을 향상시키면서도, 이 방법의 특징인 표 형식 데이터(tabular data)에 대한 정확도를 유지합니다.

MethodMind에서 열기곧 제공동영상곧 제공Download slides

방법 전문 읽기

회원 전용

무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.

로그인

Method map

The neighbourhood of related methods — select a node to explore.

정규화된 경사 부스팅

부스팅 그래디언트 부스팅 LightGBM 정규화된 결정 트리 Regularized Random Forest XGBoost 정규화 부스팅 Regularized CatBoost 정규화된 연합 학습 정규화된 LightGBM

+2 more

출처

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 ↗

이 페이지 인용 방법

ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/ko/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.

Compare side by side →

이 방법을 참조하는 항목

정규화 부스팅 Regularized CatBoost 정규화된 연합 학습 정규화된 LightGBM Regularized Random Forest 정규화 스태킹 앙상블 Robust Gradient Boosting

이 페이지에서 오류를 발견하셨나요? 신고하거나 수정을 제안하세요 →