Bayesian XGBoost
Bayesian XGBoost ผสานพลังการทำนายของ Extreme Gradient Boosting เข้ากับการปรับพารามิเตอร์แบบเบย์เซียน (Bayesian optimization) สำหรับการปรับแต่งไฮเปอร์พารามิเตอร์ แทนที่จะใช้การค้นหาแบบกริด (grid search) หรือการค้นหาแบบสุ่ม (random search) แบบจำลองตัวแทนเชิงความน่าจะเป็น (probabilistic surrogate model) จะชี้นำการค้นหาอัตราการเรียนรู้ (learning rate) ความลึกของต้นไม้ (tree depth) และพารามิเตอร์การทำให้เป็นปกติ (regularization parameters) ให้เหมาะสมที่สุด ซึ่งให้ประสิทธิภาพใกล้เคียงจุดสูงสุดโดยใช้การประเมินผลน้อยกว่าวิธีการค้นหาแบบครบวงจร (exhaustive search) อย่างมาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
- Snoek, J., Larochelle, H. & Adams, R. P. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. Advances in Neural Information Processing Systems (NeurIPS), 25, 2951–2959. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Bayesian-Optimized Extreme Gradient Boosting. ScholarGate. https://scholargate.app/th/machine-learning/bayesian-xgboost
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.
- การเสริมกำลังไล่ระดับการเรียนรู้ของเครื่อง↔ compare
- ไลท์จีบีเอ็มการเรียนรู้ของเครื่อง↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare