Gradient Boosting
Gradient Boosting ir ansambļa apguves metode, ko 2001. gadā formalizējis Džeroms H. Frīdmens, un tā apvieno vāju apguvēju secību — parasti seklus lēmumu kokus — tā, lai katrs jaunais koks tiktu pielāgots, lai samazinātu iepriekšējo koku paliekošās kļūdas. Tā ir galvenais algoritms populāriem implementējumiem, piemēram, XGBoost, LightGBM un CatBoost.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
Avoti
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/lv/machine-learning/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.
- Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
- LightGBMMašīnmācīšanās↔ compare
- Logistiskā regresijaPētniecības statistika↔ compare
- Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →