Regularizēta tiešsaistes apguve
Regularizētā tiešsaistes apguve paplašina tiešsaistes apguves paradigmu, katrai svara atjaunināšanai pievienojot regularizācijas sodu, kas kontrolē modeļa sarežģītību, apstrādājot datus pa vienam piemēram. Algoritmi, piemēram, Follow-the-Regularized-Leader (FTRL) un Regularized Dual Averaging (RDA), padara šo pieeju praktisku lielā mērogā, nodrošinot efektīvus, labi kalibrētus modeļus straumējošiem 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.
Avoti
- Xiao, L. (2010). Dual Averaging Methods for Regularized Stochastic and Online Optimization. Journal of Machine Learning Research, 11, 2543–2596. link ↗
- Shalev-Shwartz, S. (2012). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Online Learning (Online Learning with Regularization). ScholarGate. https://scholargate.app/lv/machine-learning/regularized-online-learning
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.
- Tiešsaistes apguveMašīnmācīšanās↔ compare
- Regulārā lineārā regresijaMašīnmācīšanās↔ compare
- Regularizētā loģistikā regresijaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Stohastiskā gradienta metode (SGD)Mašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →