Байесовский XGBoost
Байесовский XGBoost сочетает предсказательную силу Extreme Gradient Boosting с байесовской оптимизацией для настройки гиперпараметров. Вместо поиска по сетке или случайного поиска вероятностная суррогатная модель направляет поиск оптимальной скорости обучения, глубины деревьев и параметров регуляризации, достигая почти пиковой производительности при гораздо меньшем количестве оценок, чем исчерпывающие методы поиска.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
- Snoek, J., Larochelle, H. & Adams, R. P. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. Advances in Neural Information Processing Systems (NeurIPS), 25, 2951–2959. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian-Optimized Extreme Gradient Boosting. ScholarGate. https://scholargate.app/ru/machine-learning/bayesian-xgboost
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.
- Градиентный бустингМашинное обучение↔ compare
- LightGBMМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →