Përforcimi i Rregulluar
Përforcimi i rregulluar shtrin përforcimin e gradientit duke shtuar kontrolle eksplicite — tkurrja (norma e të mësuarit), penalizimet e peshave L1/L2, nën-mostrimin, dhe kufizimet e kompleksitetit të pemës — në funksionin objektiv dhe rregullën e përditësimit. Këto kufizime reduktojnë mbifitimin, stabilizojnë modelin në të dhëna të zhurmshme ose të vogla, dhe janë arsyeja kryesore pse sisteme të tilla si XGBoost dhe LightGBM vazhdimisht tejkalojnë përforcimin e thjeshtë në benchmark-e reale tabelare.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/sq/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.
- BoostingMësimi i makinës↔ compare
- Përmbledhja me Gradient (Gradient Boosting)Mësimi i makinës↔ compare
- Përforcimi i Gradientit të RregulluarMësimi i makinës↔ compare
- Pyllë i Rregulluar i RastësishëmMësimi i makinës↔ compare
- XGBoostMësimi i makinës↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →