Ensemble Gradient Boosting
Gradient Boosting är en ensemblemetod som introducerades av Jerome Friedman år 2001. Den bygger en stark prediktiv modell genom att sekventiellt lägga till grunda beslutsträd, där varje träd korrigerar felen från den föregående ensemblen. Genom att formulera problemet som gradientnedstigning i funktionsrummet uppnår metoden toppmodern noggrannhet på klassificerings-, regressions- och rangordningsuppgifter över tabulär data.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics and Data Analysis, 38(4), 367–378. DOI: 10.1016/S0167-9473(01)00065-2 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/sv/machine-learning/ensemble-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.
- AdaBoostMaskininlärning↔ compare
- CatBoostMaskininlärning↔ compare
- BeslutsträdMaskininlärning↔ compare
- LightGBMMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →