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.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- 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.
- AdaBoostМашинное обучение↔ compare
- CatBoostМашинное обучение↔ compare
- Дерево решенийМашинное обучение↔ compare
- LightGBMМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →