Gradient Boosting
Gradient Boosting เป็นวิธีการแบบ Ensemble ที่ Jerome Friedman นำเสนอในปี 2001 โดยสร้างแบบจำลองการทำนายที่แข็งแกร่งด้วยการเพิ่มต้นไม้ตัดสินใจ (decision trees) แบบตื้น (shallow) ทีละต้น โดยแต่ละต้นจะแก้ไขข้อผิดพลาดของ Ensemble ก่อนหน้า ด้วยการกำหนดกรอบปัญหาเป็นการเคลื่อนที่แบบ Gradient Descent ในปริภูมิของฟังก์ชัน (function space) วิธีการนี้จึงให้ความแม่นยำระดับ State-of-the-art ในงานจำแนกประเภท (classification), การถดถอย (regression), และการจัดอันดับ (ranking) บนข้อมูลแบบตาราง (tabular data)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics and Data Analysis, 38(4), 367–378. DOI: 10.1016/S0167-9473(01)00065-2 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/th/machine-learning/ensemble-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.
- AdaBoostการเรียนรู้ของเครื่อง↔ compare
- CatBoostการเรียนรู้ของเครื่อง↔ compare
- ต้นไม้ตัดสินใจการเรียนรู้ของเครื่อง↔ compare
- ไลท์จีบีเอ็มการเรียนรู้ของเครื่อง↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare