Uregulowany gradientowy boosting
Uregulowany gradientowy boosting rozszerza klasyczny addytywny zespół drzew (Friedman 2001) poprzez bezpośrednie włączenie członów kary L1 i L2 do funkcji celu uczenia, wraz z karą za złożoność rozmiaru drzewa. Spopularyzowany przez XGBoost (Chen & Guestrin 2016), ten framework redukuje przeuczenie i poprawia generalizację w porównaniu do nieuregulowanego boostingu, zachowując jednocześnie charakterystyczną dla tej metody dokładność 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.
+2 more
Źródła
- 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 ↗
- 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 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/pl/machine-learning/regularized-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
- LightGBMUczenie maszynowe↔ compare
- Regularyzowane drzewo decyzyjneUczenie maszynowe↔ compare
- Uregulowany las losowyUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →