Reguliere Gradient Boosting
Reguliere gradient boosting breidt de klassieke additieve boomensemble (Friedman 2001) uit door L1- en L2-penaltytermen direct in de trainingsdoelfunctie in te bouwen, samen met een complexiteitspenalty op boomgrootte. Gepopulariseerd door XGBoost (Chen & Guestrin 2016), vermindert dit raamwerk overfitting en verbetert het de generalisatie vergeleken met niet-gestrafte boosting, terwijl de karakteristieke nauwkeurigheid van de methode op tabelgegevens behouden blijft.
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.
+2 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/nl/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.
- BoostingMachine learning↔ compare
- Gradient BoostingMachine learning↔ compare
- LightGBMMachine learning↔ compare
- Regelmatige beslissingsboomMachine 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 →