Regularyzowane wzmacnianie
Regularyzowane wzmacnianie (regularized boosting) rozszerza wzmacnianie gradientowe poprzez dodanie jawnych mechanizmów kontroli — współczynnika uczenia (shrinkage), kar L1/L2 za wagę, podpróbkowania i ograniczeń złożoności drzew — do funkcji celu i reguły aktualizacji. Te ograniczenia redukują nadmierne dopasowanie (overfitting), stabilizują model na zbiorach danych zaszumionych lub małych i są kluczowym powodem, dla którego systemy takie jak XGBoost i LightGBM konsekwentnie przewyższają zwykłe wzmacnianie na rzeczywistych 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 ↗
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/pl/machine-learning/regularized-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
- Uregulowany gradientowy boostingUczenie maszynowe↔ compare
- Uregulowany las losowyUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →