Tiešsaistes gradientu pastiprināšana
Tiešsaistes gradientu pastiprināšana (Online Gradient Boosting) pielāgo gradientu pastiprināšanas sistēmu straumēšanas apstākļiem, kur dati ienāk pa vienam paraugam, nevis kā fiksēta kopa. Katrā solī modelis aprēķina ienākošās novērošanas pseidoreziduaalu un atjaunina vāju mērītāju uz vietas, veidojot aditīvu ansambli, neuzglabājot vai nepārlūkojot iepriekšējos datus. Tas padara to piemērotu reāllaika prognozēšanai un liela mēroga straumēšanas cauruļvadiem, kur pilnīga pārmācīšanās ir neiespējama.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Grubb, A. & Bagnell, J. A. (2011). Generalized Boosting Algorithms for Convex Optimization. Proceedings of the 28th International Conference on Machine Learning (ICML 2011), 1209–1216. link ↗
- Beygelzimer, A., Hazan, E., Langford, J. & Zheng, T. (2015). Online-to-Batch Conversions and Applications. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/lv/machine-learning/online-gradient-boosting
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- PastiprināšanaMašīnmācīšanās↔ salīdzināt
- Gradient BoostingMašīnmācīšanās↔ salīdzināt
- Tiešsaistes apguveMašīnmācīšanās↔ salīdzināt
- Tiešsaistes nejaušais mežsMašīnmācīšanās↔ salīdzināt
- Puspašvadāmā gradientu pastiprināšanaMašīnmācīšanās↔ salīdzināt
- XGBoostMašīnmācīšanās↔ salīdzināt
Uz to atsaucas
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →