Ансамблевий градієнтний бустинг
Градієнтний бустинг — це ансамблевий метод, представлений Джеромом Фрідманом у 2001 році, який будує потужну прогностичну модель шляхом послідовного додавання неглибоких дерев рішень, кожне з яких виправляє помилки попереднього ансамблю. Формулюючи проблему як градієнтний спуск у функціональному просторі, він досягає найсучаснішої точності в задачах класифікації, регресії та ранжування для табличних даних.
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
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/uk/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.
- AdaBoostМашинне навчання↔ compare
- CatBoostМашинне навчання↔ compare
- Дерево рішеньМашинне навчання↔ compare
- LightGBMМашинне навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
- XGBoostМашинне навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →