Gradient Boosting Regularizado
O gradient boosting regularizado estende o clássico ensemble aditivo de árvores (Friedman 2001) ao incorporar termos de penalidade L1 e L2 diretamente no objetivo de treinamento, juntamente com uma penalidade de complexidade no tamanho da árvore. Popularizado pelo XGBoost (Chen & Guestrin 2016), este framework reduz o overfitting e melhora a generalização em comparação com o boosting não penalizado, mantendo a precisão característica do método em dados tabulares.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/pt/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.
- BoostingAprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- LightGBMAprendizado de máquina↔ compare
- Árvore de Decisão RegularizadaAprendizado de máquina↔ compare
- Random Forest RegularizadoAprendizado de máquina↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →