Регуларизовано појачање градијента
Регуларизовано појачање градијента проширује класични адитивни ансамбл дрвећа (Friedman 2001) уграђивањем L1 и L2 казнeних услова директно у циљ тренинга, заједно са казнeним условом за сложеност величине дрвета. Популаризован од стране XGBoost-а (Chen & Guestrin 2016), овај оквир смањује преоптимализацију (overfitting) и побољшава генерализацију у поређењу са појачањем без казни, задржавајући карактеристичну тачност методе на 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.
+2 more
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/sr/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.
- BoostingMašinsko učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- LightGBMMašinsko učenje↔ compare
- Regularizovano stablo odlučivanjaMašinsko učenje↔ compare
- Регуларизована случајна шумаMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →