Machine learning

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.

Otvoriť v MethodMindČoskoroVideoČoskoroDownload slides

Prečítať celú metódu

Len pre členov

Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.

Prihlásiť sa

Method map

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

+38 more

Zdroje

  1. 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.

Compare side by side

Odkazujú sem

ScholarGateGradient Boosting (Gradient Boosting Machine (Friedman's Gradient Boosting)). Získané 2026-06-15 z https://scholargate.app/sk/machine-learning/gradient-boosting · Dátová sada: https://doi.org/10.5281/zenodo.20539026