Regulované zosilňovanie
Regulované zosilňovanie rozširuje gradientové zosilňovanie explicitnými kontrolami — zmršťovanie (miera učenia), L1/L2 penalizácie váh, podsúborovanie a obmedzenia zložitosti stromov — do účelovej funkcie a aktualizačného pravidla. Tieto obmedzenia znižujú prekresľovanie, stabilizujú model na šumových alebo malých dátových súboroch a sú hlavným dôvodom, prečo systémy ako XGBoost a LightGBM konzistentne prekonávajú bežné zosilňovanie na reálnych tabuľkových benchmarkoch.
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.
Zdroje
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/sk/machine-learning/regularized-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.
- BoostingStrojové učenie↔ compare
- Gradient BoostingStrojové učenie↔ compare
- Regularizované zosilňovanie gradientuStrojové učenie↔ compare
- Regularizovaný náhodný lesStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →