Machine learningMachine learning

Ансамблевый градиентный бустинг

Градиентный бустинг — это ансамблевый метод, представленный Джеромом Фридманом в 2001 году, который строит сильную предсказательную модель путем последовательного добавления неглубоких деревьев решений, каждое из которых исправляет ошибки предыдущего ансамбля. Формулируя задачу как градиентный спуск в функциональном пространстве, он достигает наилучшей точности в задачах классификации, регрессии и ранжирования на табличных данных.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

Ансамблевый градиентный бустинг
AdaBoostCatBoostДерево решенийLightGBMСлучайный лесXGBoost

Источники

  1. Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451
  2. Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics and Data Analysis, 38(4), 367–378. DOI: 10.1016/S0167-9473(01)00065-2

Как цитировать эту страницу

ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/ru/machine-learning/ensemble-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.

Compare side by side
ScholarGateEnsemble Gradient Boosting (Gradient Boosting Machine (Ensemble of Additive Decision Trees)). Получено 2026-06-15 из https://scholargate.app/ru/machine-learning/ensemble-gradient-boosting · Набор данных: https://doi.org/10.5281/zenodo.20539026