Gradient Boosting
Gradient Boosting je ensemblovacia učebná metóda, formalizovaná Jeromeom H. Friedmanom v roku 2001, ktorá kombinuje sekvenciu slabých žiakov — typicky plytkých rozhodovacích stromov — tak, že každý nový strom je prispôsobený na minimalizáciu reziduálnych chýb predchádzajúcich stromov. Je to kľúčový algoritmus za populárnymi implementáciami ako XGBoost, LightGBM a CatBoost.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
Zdroje
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/sk/machine-learning/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.
- Rozhodovací stromStrojové učenie↔ compare
- LightGBMStrojové učenie↔ compare
- Logistická regresiaŠtatistika vo výskume↔ compare
- Náhodný lesStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →