Регуляризований градієнтний бустинг
Регуляризований градієнтний бустинг розширює класичний адитивний ансамбль дерев (Friedman 2001) шляхом вбудовування штрафних членів L1 та L2 безпосередньо в цільову функцію навчання, а також штрафу за складність розміру дерева. Цей фреймворк, популяризований XGBoost (Chen & Guestrin 2016), зменшує перенавчання та покращує узагальнення порівняно з нештрафованим бустингом, зберігаючи при цьому характерну для методу точність на 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.
+2 more
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 ↗
- 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 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/uk/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.
- БустингМашинне навчання↔ compare
- Градiєнтний бустингМашинне навчання↔ compare
- LightGBMМашинне навчання↔ compare
- Регуляризоване дерево рішеньМашинне навчання↔ compare
- Регуляризований випадковий лісМашинне навчання↔ compare
- XGBoostМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →