Gradient Boosting
Gradient Boosting är en ensembleinlärningsmetod, formaliserad av Jerome H. Friedman år 2001, som kombinerar en sekvens av svaga inlärningsmodeller — typiskt grunda beslutsträd — så att varje nytt träd anpassas för att minimera residualfelen från de föregående träden. Det är kärnalgoritmen bakom populära implementationer som XGBoost, LightGBM och CatBoost.
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.
+38 more
Källor
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/sv/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.
- BeslutsträdMaskininlärning↔ compare
- LightGBMMaskininlärning↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →