Online Gradient Boosting
Online Gradient Boosting anpassar ramverket för gradient boosting för strömmande miljöer där data anländer en observation i taget snarare än som en fast batch. Vid varje steg beräknar modellen en pseudo-residual för den inkommande observationen och uppdaterar en svag inlärningsmodell på plats, vilket bygger ett additivt ensemble utan att lagra eller återbesöka tidigare data. Detta gör den lämplig för realtidsprognoser och storskaliga strömningspipelines där omträning från grunden är ogenomförbar.
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
- Grubb, A. & Bagnell, J. A. (2011). Generalized Boosting Algorithms for Convex Optimization. Proceedings of the 28th International Conference on Machine Learning (ICML 2011), 1209–1216. link ↗
- Beygelzimer, A., Hazan, E., Langford, J. & Zheng, T. (2015). Online-to-Batch Conversions and Applications. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/sv/machine-learning/online-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.
- BoostingMaskininlärning↔ compare
- Gradient BoostingMaskininlärning↔ compare
- Online LearningMaskininlärning↔ compare
- Online Random ForestMaskininlärning↔ compare
- Semi-supervised Gradient BoostingMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →