Градијентно појачање
Градијентно појачање је ансамбл метод учења, формализован од стране Џерома Х. Фридмана 2001. године, који комбинује низ слабих ученика — типично плитких стабала одлучивања — тако да се свако ново стабло прилагођава да минимизира резидуалне грешке претходних стабала. То је основни алгоритам иза популарних имплементација као што су XGBoost, LightGBM и CatBoost.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
Izvori
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/sr/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.
- Дрво одлучивањаMašinsko učenje↔ compare
- LightGBMMašinsko učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →