Regularizované zosilňovanie gradientu
Regularizované zosilňovanie gradientu rozširuje klasický aditívny súbor stromov (Friedman 2001) začlenením L1 a L2 penalizačných členov priamo do tréningového cieľa, spolu s penalizáciou zložitosti stromu. Tento rámec, spopularizovaný XGBoostom (Chen & Guestrin 2016), redukuje preučenie a zlepšuje generalizáciu v porovnaní s nepenalizovaným zosilňovaním, pričom si zachováva charakteristickú presnosť metódy na tabuľkových dátach.
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.
+2 more
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/sk/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.
- BoostingStrojové učenie↔ compare
- Gradient BoostingStrojové učenie↔ compare
- LightGBMStrojové učenie↔ compare
- Regulovaný rozhodovací stromStrojové učenie↔ compare
- Regularizovaný náhodný lesStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →