Регуляризованный градиентный бустинг
Регуляризованный градиентный бустинг расширяет классический аддитивный ансамбль деревьев (Friedman 2001), встраивая штрафы L1 и L2 непосредственно в целевую функцию обучения, наряду со штрафом за сложность дерева. Популяризованный XGBoost (Chen & Guestrin 2016), этот фреймворк снижает переобучение и улучшает обобщающую способность по сравнению с нештрафованным бустингом, сохраняя при этом характерную для метода точность 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.
+2 more
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 ↗
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/ru/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.
- БустингМашинное обучение↔ compare
- Градиентный бустингМашинное обучение↔ compare
- LightGBMМашинное обучение↔ compare
- Регуляризованное дерево решенийМашинное обучение↔ compare
- Регуляризованный случайный лесМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →