Regularizēta gradientu pastiprināšana
Regularizēta gradientu pastiprināšana paplašina klasisko aditīvo koku ansambli (Friedman 2001), iekļaujot L1 un L2 soda koeficientus tieši treniņu mērķī, kā arī koku lieluma sarežģītības sodu. Popularizēts ar XGBoost (Chen & Guestrin 2016), šis ietvars samazina pārmācīšanos un uzlabo vispārināšanu salīdzinājumā ar nenosodītu pastiprināšanu, vienlaikus saglabājot metodes raksturīgo precizitāti uz tabulārās datiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
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 ↗
- 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 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/lv/machine-learning/regularized-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.
- PastiprināšanaMašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- LightGBMMašīnmācīšanās↔ compare
- Regulārizēts lēmumu koksMašīnmācīšanās↔ compare
- Regulārizēts nejaušais mežsMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →