Ensemble Gradient Boosting
Gradient Boosting to metoda zespołowa wprowadzona przez Jerome'a Friedmana w 2001 roku, która buduje silny model predykcyjny poprzez sekwencyjne dodawanie płytkich drzew decyzyjnych, z których każde koryguje błędy poprzedniego zespołu. Ujęcie problemu jako procesu spadku gradientu w przestrzeni funkcji pozwala osiągnąć najnowocześniejszą dokładność w zadaniach klasyfikacji, regresji i rankingu na danych tabelarycznych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics and Data Analysis, 38(4), 367–378. DOI: 10.1016/S0167-9473(01)00065-2 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/pl/machine-learning/ensemble-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.
- AdaBoostUczenie maszynowe↔ compare
- CatBoostUczenie maszynowe↔ compare
- Drzewo decyzyjneUczenie maszynowe↔ compare
- LightGBMUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →