Regularisert nettbasert læring
Regularisert nettbasert læring utvider paradigmet for nettbasert læring ved å inkorporere en regulariseringsstraff i hver vektoppdatering, noe som kontrollerer modellkompleksiteten mens data behandles ett eksempel om gangen. Algoritmer som Follow-the-Regularized-Leader (FTRL) og Regularized Dual Averaging (RDA) gjør denne tilnærmingen praktisk i stor skala, og muliggjør sparsomme, velkalibrerte modeller på strømmende 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.
Kilder
- Xiao, L. (2010). Dual Averaging Methods for Regularized Stochastic and Online Optimization. Journal of Machine Learning Research, 11, 2543–2596. link ↗
- Shalev-Shwartz, S. (2012). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Regularized Online Learning (Online Learning with Regularization). ScholarGate. https://scholargate.app/no/machine-learning/regularized-online-learning
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.
- Online læringMaskinlæring↔ compare
- Regularisert lineær regresjonMaskinlæring↔ compare
- Regulert logistisk regresjonMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
- Stokastisk gradientnedstigning (SGD)Maskinlæring↔ compare
- OverføringslæringMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →