Bayesian XGBoost
Bayesian XGBoost apvieno Extreme Gradient Boosting prognozēšanas spēju ar Beijesa optimizāciju hiperparametru optimizēšanai. Nevis režģa vai nejaušas meklēšanas vietā, bet gan probablistisks aizvietotājmodelis vada optimālā mācīšanās ātruma, koka dziļuma un regularizācijas parametru meklēšanu, sasniedzot gandrīz maksimālo veiktspēju ar krietni mazāk novērtējumu nekā izsmeļošas meklēšanas pieejas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
- Snoek, J., Larochelle, H. & Adams, R. P. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. Advances in Neural Information Processing Systems (NeurIPS), 25, 2951–2959. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian-Optimized Extreme Gradient Boosting. ScholarGate. https://scholargate.app/lv/machine-learning/bayesian-xgboost
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.
- Gradient BoostingMašīnmācīšanās↔ compare
- LightGBMMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →