Байєсівський XGBoost
Байєсівський XGBoost поєднує прогностичну потужність Extreme Gradient Boosting із байєсівською оптимізацією для налаштування гіперпараметрів. Замість пошуку за сіткою чи випадкового пошуку, імовірнісна сурогатна модель керує пошуком оптимальної швидкості навчання, глибини дерева та параметрів регуляризації, досягаючи майже пікової продуктивності за значно меншої кількості оцінок, ніж вичерпні методи пошуку.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bayesian-Optimized Extreme Gradient Boosting. ScholarGate. https://scholargate.app/uk/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.
- Градiєнтний бустингМашинне навчання↔ compare
- LightGBMМашинне навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
- XGBoostМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →