Online Gradient Boosting
Online Gradient Boosting tilpasser rammeverket for gradient boosting til strømmende innstillinger der data ankommer ett utvalg om gangen, snarere enn som en fast batch. Ved hvert trinn beregner modellen en pseudo-residual for den innkommende observasjonen og oppdaterer en svak lærer på stedet, og bygger et additivt ensemble uten å lagre eller gjenbesøke tidligere data. Dette gjør den egnet for sanntids prediksjon og storskala strømmende pipelines der omskolering fra bunnen av er ugjennomførbart.
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.
Kilder
- Grubb, A. & Bagnell, J. A. (2011). Generalized Boosting Algorithms for Convex Optimization. Proceedings of the 28th International Conference on Machine Learning (ICML 2011), 1209–1216. link ↗
- Beygelzimer, A., Hazan, E., Langford, J. & Zheng, T. (2015). Online-to-Batch Conversions and Applications. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/no/machine-learning/online-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.
- BoostingMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Online læringMaskinlæring↔ compare
- Online Random ForestMaskinlæring↔ compare
- Semi-supervised Gradient BoostingMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →