Gradient Boosting Regularizat
Gradient boosting regularizat extinde ansamblul clasic de arbori aditivi (Friedman 2001) prin încorporarea termenilor de penalizare L1 și L2 direct în obiectivul de antrenament, împreună cu o penalizare a complexității dimensiunii arborelui. Popularizat de XGBoost (Chen & Guestrin 2016), acest cadru reduce supra-ajustarea (overfitting) și îmbunătățește generalizarea comparativ cu boosting-ul nepenalizat, păstrând în același timp acuratețea caracteristică a metodei pe date tabulare.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/ro/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.
- BoostingÎnvățare automată↔ compare
- Gradient BoostingÎnvățare automată↔ compare
- LightGBMÎnvățare automată↔ compare
- Arbore de decizie regularizatÎnvățare automată↔ compare
- Pădure Aleatorie RegularizatăÎnvățare automată↔ compare
- XGBoostÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →