Gradient Boosting
Gradient Boosting er en ensemblelæringsmetode, formalisert av Jerome H. Friedman i 2001, som kombinerer en sekvens av svake læringsmodeller — typisk grunne beslutningstrær — slik at hvert nye tre tilpasses for å minimere restfeilene til trærne før det. Det er kjernalgoritmen bak populære implementasjoner som XGBoost, LightGBM og CatBoost.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
Kilder
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/no/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.
- BeslutningstreMaskinlæring↔ compare
- LightGBMMaskinlæring↔ compare
- Logistisk regresjonForskningsstatistikk↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →