Regulariserad gradientboosting
Regulariserad gradientboosting utökar den klassiska additiva trädensemblen (Friedman 2001) genom att inkorporera L1- och L2-strafftermer direkt i träningsmålet, tillsammans med ett komplexitetsstraff för trädets storlek. Detta ramverk, som populariserats av XGBoost (Chen & Guestrin 2016), minskar överanpassning och förbättrar generalisering jämfört med ostraffad boosting, samtidigt som metodens karakteristiska noggrannhet på tabulär data bibehålls.
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.
+2 more
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/sv/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.
- BoostingMaskininlärning↔ compare
- Gradient BoostingMaskininlärning↔ compare
- LightGBMMaskininlärning↔ compare
- Regulariserat beslutsträdMaskininlärning↔ compare
- Regularized Random ForestMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →