Регуларизовано појачање
Регуларизовано појачање (regularized boosting) проширује градијентно појачање (gradient boosting) додавањем експлицитних контрола — скупљање (learning rate), L1/L2 пенализација тегова, под-узорковање и ограничења сложености дрвета — у циљну функцију и правило ажурирања. Ова ограничења смањују преоптирмавање (overfitting), стабилизују модел на шумним или малим скуповима података и основни су разлог зашто системи попут XGBoost и LightGBM константно надмашују обично појачање на реалним табеларним подацима.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/sr/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.
- BoostingMašinsko učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- Регуларизовано појачање градијентаMašinsko učenje↔ compare
- Регуларизована случајна шумаMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →