Machine learning

การเสริมกำลังไล่ระดับ

การเสริมกำลังไล่ระดับ (Gradient Boosting) เป็นวิธีการเรียนรู้แบบรวมกลุ่ม (ensemble learning) ซึ่ง Jerome H. Friedman ได้กำหนดรูปแบบอย่างเป็นทางการในปี 2001 โดยเป็นการรวมกลุ่มของตัวเรียนรู้ที่อ่อนแอ (weak learners) หลายตัวเข้าด้วยกัน โดยทั่วไปคือต้นไม้ตัดสินใจ (decision trees) ที่ไม่ลึกนัก เพื่อให้ต้นไม้แต่ละต้นใหม่ถูกปรับให้เหมาะสมกับการลดข้อผิดพลาดตกค้าง (residual errors) ของต้นไม้ก่อนหน้า เป็นอัลกอริทึมหลักที่อยู่เบื้องหลังการนำไปใช้ที่ได้รับความนิยม เช่น XGBoost, LightGBM และ CatBoost

เปิดใน MethodMindเร็ว ๆ นี้วิดีโอเร็ว ๆ นี้Download slides

อ่านวิธีฉบับเต็ม

สำหรับสมาชิกเท่านั้น

เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้

เข้าสู่ระบบ

Method map

The neighbourhood of related methods — select a node to explore.

การเสริมกำลังไล่ระดับ

ต้นไม้ตัดสินใจ ไลท์จีบีเอ็ม การถดถอยโลจิสติก Random Forest XGBoost การเรียนรู้เชิงรุกแบบ Gr…Active Learning LightGBM Bagging (Bootstrap Aggre…Bayesian Boosting Bayesian LightGBM

+38 more

แหล่งอ้างอิง

Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗

วิธีอ้างอิงหน้านี้

ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/th/machine-learning/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.

ต้นไม้ตัดสินใจการเรียนรู้ของเครื่อง↔ compare
ไลท์จีบีเอ็มการเรียนรู้ของเครื่อง↔ compare
การถดถอยโลจิสติกสถิติการวิจัย↔ compare
Random Forestการเรียนรู้ของเครื่อง↔ compare
XGBoostการเรียนรู้ของเครื่อง↔ compare

Compare side by side →

ถูกอ้างอิงโดย

การเรียนรู้เชิงรุกแบบ Gradient Boosting Active Learning LightGBM Bagging (Bootstrap Aggregating)Bayesian Boosting Bayesian LightGBM Bayesian XGBoost Boosting Boosting Ensemble การพยากรณ์แบบคอนฟอร์มอลสำหรับอนุกรมเวลา Explainable Extra Trees Explainable Gradient Boosting LightGBM ที่อธิบายได้ฟอเรสต์สุ่มที่อธิบายได้การรวมกลุ่มแบบซ้อนแบบอธิบายได้XGBoost ที่อธิบายได้Extra Trees การถดถอยเชิงเส้น (Linear Regression) (ML)การถดถอยแบบปรับตัวหลายตัวแปร (MARS)Online Bagging Boosting แบบออนไลน์Online Gradient Boosting LightGBM แบบออนไลน์Regularized Boosting Regularized CatBoost การเพิ่มกำลังไล่ระดับแบบปรับให้เหมาะสม LightGBM แบบ Regularized Robust Boosting การเพิ่มกำลังการไล่ระดับสีที่ทนทาน (Robust Gradient Boosting)Robust LightGBM Random Forest ที่ทนทาน Robust Stacking Ensemble XGBoost ที่ทนทาน (Robust XGBoost)แผนภูมิตัดสินใจแบบเรียนรู้ด้วยตนเอง การเสริมกำลังไล่ระดับแบบกำกับตนเอง LightGBM แบบเรียนรู้ด้วยตนเอง เทคนิก Bagging แบบกึ่งมีผู้สอน การบูสต์แบบกึ่งมีผู้สอน (Semi-supervised Boosting)CatBoost แบบกึ่งมีผู้สอน ต้นไม้ตัดสินใจแบบกึ่งกำกับดูแล (Semi-supervised Decision Tree)การเพิ่มประสิทธิภาพแบบกึ่งมีผู้สอนโดยใช้ Gradient Boosting Semi-supervised Random Forest การจัดกลุ่มแบบกึ่งกำกับด้วยการซ้อนทับ XGBoost กึ่งควบคุม (Semi-supervised XGBoost)XGBoost

พบปัญหาในหน้านี้หรือไม่ แจ้งหรือเสนอการแก้ไข →

อ่านวิธีฉบับเต็ม

Method map

แหล่งอ้างอิง

วิธีอ้างอิงหน้านี้

วิธีที่เกี่ยวข้อง

Which method?

ถูกอ้างอิงโดย