Градiєнтний бустинг
Градiєнтний бустинг — це метод ансамблевого навчання, формалізований Джеромом Фрідманом у 2001 році, який поєднує послідовність слабких учнів — зазвичай неглибоких дерев рішень — таким чином, щоб кожне нове дерево підганялося для мінімізації залишків помилок попередніх дерев. Це основний алгоритм, що лежить в основі популярних реалізацій, таких як XGBoost, LightGBM та CatBoost.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
Джерела
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/uk/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.
- Дерево рішеньМашинне навчання↔ compare
- LightGBMМашинне навчання↔ compare
- Логістична регресіяСтатистика досліджень↔ compare
- Випадковий лісМашинне навчання↔ compare
- XGBoostМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →