Онлайн градиентный бустинг
Онлайн градиентный бустинг адаптирует фреймворк градиентного бустинга к потоковым средам, где данные поступают по одному образцу за раз, а не фиксированным пакетом. На каждом шаге модель вычисляет псевдоостаток для входящего наблюдения и обновляет слабый ученик на месте, наращивая аддитивную ансамбль без хранения или повторного обращения к прошлым данным. Это делает его подходящим для предсказаний в реальном времени и крупномасштабных потоковых конвейеров, где переобучение с нуля нецелесообразно.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Grubb, A. & Bagnell, J. A. (2011). Generalized Boosting Algorithms for Convex Optimization. Proceedings of the 28th International Conference on Machine Learning (ICML 2011), 1209–1216. link ↗
- Beygelzimer, A., Hazan, E., Langford, J. & Zheng, T. (2015). Online-to-Batch Conversions and Applications. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/ru/machine-learning/online-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.
- БустингМашинное обучение↔ compare
- Градиентный бустингМашинное обучение↔ compare
- Онлайн-обучениеМашинное обучение↔ compare
- Online Random ForestМашинное обучение↔ compare
- Полуавтоматический градиентный бустингМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →