Gradient Boosting
Gradient Boosting to metoda uczenia zespołowego, formalnie opisana przez Jerome H. Friedmana w 2001 roku, która łączy sekwencję słabych modeli uczących — zazwyczaj płytkich drzew decyzyjnych — w taki sposób, że każde nowe drzewo jest dopasowywane w celu minimalizacji błędów resztowych drzew poprzedzających. Jest to kluczowy algorytm stojący za popularnymi implementacjami, takimi jak XGBoost, LightGBM i CatBoost.
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.
+38 more
Źródła
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/pl/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.
- Drzewo decyzyjneUczenie maszynowe↔ compare
- LightGBMUczenie maszynowe↔ compare
- Regresja logistycznaStatystyka w badaniach↔ compare
- Random ForestUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →