การเพิ่มกำลังไล่ระดับแบบปรับให้เหมาะสม
การเพิ่มกำลังไล่ระดับแบบปรับให้เหมาะสม (Regularized gradient boosting) เป็นการขยายผลจากแบบจำลองรวมต้นไม้แบบเพิ่มกำลัง (additive tree ensemble) แบบดั้งเดิม (Friedman 2001) โดยการฝังเทอมการลงโทษ L1 และ L2 เข้าไปในฟังก์ชันเป้าหมายของการฝึกโดยตรง พร้อมกับการลงโทษความซับซ้อนของขนาดต้นไม้ กรอบงานนี้ซึ่งได้รับความนิยมจาก XGBoost (Chen & Guestrin 2016) ช่วยลดการเรียนรู้เกิน (overfitting) และปรับปรุงความสามารถในการสรุปผล (generalization) เมื่อเทียบกับการเพิ่มกำลังแบบไม่ลงโทษ ในขณะที่ยังคงรักษาความแม่นยำที่เป็นลักษณะเฉพาะของวิธีนี้กับข้อมูลแบบตาราง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
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 ↗
- 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 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/th/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.
- Boostingการเรียนรู้ของเครื่อง↔ compare
- การเสริมกำลังไล่ระดับการเรียนรู้ของเครื่อง↔ compare
- ไลท์จีบีเอ็มการเรียนรู้ของเครื่อง↔ compare
- Regularized Decision Treeการเรียนรู้ของเครื่อง↔ compare
- Regularized Random Forestการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare