Regulert gradient-boosting
Regulert gradient-boosting utvider den klassiske additive tre-ensemblemodellen (Friedman 2001) ved å bygge inn L1- og L2-straffetermer direkte i treningsmålet, sammen med en kompleksitetsstraff på treets størrelse. Dette rammeverket, popularisert av XGBoost (Chen & Guestrin 2016), reduserer overtilpasning og forbedrer generalisering sammenlignet med ustraffet boosting, samtidig som det beholder metodens karakteristiske nøyaktighet på tabulære data.
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.
+2 more
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/no/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.
- BoostingMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- LightGBMMaskinlæring↔ compare
- Regulert beslutningstreMaskinlæring↔ compare
- Regulert tilfeldig skogMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →