Tăng cường có điều chuẩn hóa
Tăng cường có điều chuẩn hóa (Regularized boosting) mở rộng phương pháp tăng cường độ dốc (gradient boosting) bằng cách bổ sung các kiểm soát tường minh — co rút (tốc độ học), phạt trọng số L1/L2, lấy mẫu con, và giới hạn độ phức tạp của cây — vào hàm mục tiêu và quy tắc cập nhật. Các ràng buộc này làm giảm hiện tượng quá khớp (overfitting), ổn định mô hình trên các tập dữ liệu nhiễu hoặc nhỏ, và là lý do cốt lõi khiến các hệ thống như XGBoost và LightGBM vượt trội hơn hẳn phương pháp tăng cường thông thường trên các bộ dữ liệu bảng thực tế.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/vi/machine-learning/regularized-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.
- BoostingHọc máy↔ compare
- Gradient BoostingHọc máy↔ compare
- Tăng cường Gradient Chính quy hóaHọc máy↔ compare
- Rừng ngẫu nhiên được điều chuẩnHọc máy↔ compare
- XGBoostHọc máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →