Reglerad boosting
Reglerad boosting utökar gradient boosting genom att lägga till explicita kontroller – krympning (inlärningstakt), L1/L2-viktsstraff, subsampling och trädkomplexitetsgränser – till objektivfunktionen och uppdateringsregeln. Dessa begränsningar minskar överanpassning, stabiliserar modellen på brusiga eller små datamängder och är den huvudsakliga anledningen till att system som XGBoost och LightGBM konsekvent överträffar vanlig boosting på verkliga tabulära jämförelsepunkter.
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 ↗
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/sv/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.
- BoostingMaskininlärning↔ compare
- Gradient BoostingMaskininlärning↔ compare
- Regulariserad gradientboostingMaskininlärning↔ compare
- Regularized Random ForestMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →