Regularizēta pastiprināšana
Regularizēta pastiprināšana paplašina gradientu pastiprināšanu, pievienojot skaidrus vadības elementus — saraušanos (mācīšanās ātrumu), L1/L2 svara sodus, apakšizlasi un koku sarežģītības ierobežojumus — pie mērķa funkcijas un atjaunināšanas noteikuma. Šie ierobežojumi samazina pār pielāgošanos, stabilizē modeli uz trokšņainiem vai maziem datu kopumiem, un ir galvenais iemesls, kāpēc tādas sistēmas kā XGBoost un LightGBM pastāvīgi pārspēj parasto pastiprināšanu reālās pasaules tabulu salīdzinošajās analīzēs.
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 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/lv/machine-learning/regularized-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.
- PastiprināšanaMašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Regularizēta gradientu pastiprināšanaMašīnmācīšanās↔ compare
- Regulārizēts nejaušais mežsMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →