Ensemble Gradient Boosting
Gradient Boosting ir ansambļa metode, ko 2001. gadā ieviesa Džeroms Frīdmens. Tā secīgi pievienojot seklus lēmumu kokus, katrs no kuriem koriģē iepriekšējā ansambļa kļūdas, veido spēcīgu prognozējošu modeli. Ierāmējot problēmu kā gradientu nolaišanos funkciju telpā, tā sasniedz visaugstāko precizitāti klasifikācijas, regresijas un ranžēšanas uzdevumos, izmantojot tabulārās datus.
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
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics and Data Analysis, 38(4), 367–378. DOI: 10.1016/S0167-9473(01)00065-2 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/lv/machine-learning/ensemble-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.
- AdaBoostMašīnmācīšanās↔ compare
- CatBoostMašīnmācīšanās↔ compare
- Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
- LightGBMMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →