Geregulariseerde Boosting
Geregulariseerde boosting breidt gradiëntboosting uit door expliciete controles toe te voegen — krimp (leersnelheid), L1/L2 gewichtstraffen, subsampling en boomcomplexiteitslimieten — aan de doelfunctie en de update-regel. Deze beperkingen verminderen overfitting, stabiliseren het model op ruisige of kleine datasets en zijn de kernreden waarom systemen zoals XGBoost en LightGBM consequent beter presteren dan vanilla boosting op echte tabellaire benchmarks.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/nl/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.
- BoostingMachine learning↔ compare
- Gradient BoostingMachine learning↔ compare
- Reguliere Gradient BoostingMachine learning↔ compare
- Geregulariseerd Random ForestMachine learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →