Gradient Boosting Online
Gradient Boosting Online dostosowuje ramy gradient boosting do ustawień strumieniowych, gdzie dane napływają pojedynczo, zamiast jako ustalona partia. Na każdym kroku model oblicza pseudo-resztę dla nadchodzącej obserwacji i aktualizuje słaby estymator w miejscu, budując addytywny zespół bez przechowywania lub ponownego przeglądania przeszłych danych. Czyni to go odpowiednim do predykcji w czasie rzeczywistym i skalowalnych potoków strumieniowych, gdzie ponowne trenowanie od zera jest niewykonalne.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/pl/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.
- WzmocnienieUczenie maszynowe↔ compare
- Gradient BoostingUczenie maszynowe↔ compare
- Uczenie onlineUczenie maszynowe↔ compare
- Online Random ForestUczenie maszynowe↔ compare
- Półnadzorowany gradient boostingUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →