Machine learning

Peningkatan Cerun

Peningkatan Cerun ialah kaedah pembelajaran ensemble, yang diformalisasikan oleh Jerome H. Friedman pada tahun 2001, yang menggabungkan urutan pembelajar lemah — lazimnya pokok keputusan cetek — supaya setiap pokok baharu dipasang untuk meminimumkan ralat residual pokok sebelumnya. Ia adalah algoritma teras di sebalik pelaksanaan popular seperti XGBoost, LightGBM dan CatBoost.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Peningkatan Cerun

Pohon Keputusan LightGBM Regresi Logistik Random Forest XGBoost Peningkatan Kecerunan Pe…Active Learning LightGBM Bagging (Bootstrap Aggre…Peneguhan Bayesian Bayesian LightGBM

+38 more

Sumber

Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗

Cara memetik halaman ini

ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/ms/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.

Pohon KeputusanPembelajaran Mesin↔ compare
LightGBMPembelajaran Mesin↔ compare
Regresi LogistikStatistik Penyelidikan↔ compare
Random ForestPembelajaran Mesin↔ compare
XGBoostPembelajaran Mesin↔ compare

Compare side by side →

Dirujuk oleh

Peningkatan Kecerunan Pembelajaran Aktif Active Learning LightGBM Bagging (Bootstrap Aggregating)Peneguhan Bayesian Bayesian LightGBM Bayesian XGBoost Boosting Ensembel Penggalak (Boosting Ensemble)Ramalan Konformal untuk Peramalan Deret Waktu Pokok Tambahan Boleh Dijelaskan Peningkatan Cerun Boleh Dijelaskan Explainable LightGBM Random Forest Boleh Dijelas (Explainable Random Forest)Tingkat Tumpukan yang Boleh Dijelaskan XGBoost Boleh Dijelaskan Pokok Tambahan Regresi Linear (ML)Multivariate Adaptive Regression Splines (MARS)Online Bagging Online Boosting Peningkatkan Cerun Dalam Talian LightGBM Dalam Talian Peningkatan Terperaturan CatBoost Terekular Peningkatkan Cerun Terperaturan LightGBM Terperaturan Robust Boosting Peningkatan Kecerunan Teguh LightGBM Robust Robust Random Forest Robust Stacking Ensemble XGBoost Teguh Pohon Keputusan Kendiri-Selia Gradient Boosting Kendiri-terawasi LightGBM Kendiri-Selia Bagging Separa-Seliaan Semi-supervised Boosting CatBoost Separa-Penyeliaan Pohon Keputusan Separuh Selia Gradient Boosting Separuh Selia Semi-supervised Random Forest Semi-supervised Stacking Ensemble XGBoost Separa-Penyeliaan XGBoost

Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →

Baca kaedah sepenuhnya

Method map

Sumber

Cara memetik halaman ini

Kaedah berkaitan

Which method?

Dirujuk oleh