Glosar

gradient boosting

Ce este gradient boosting?

Gradient boosting este o tehnică de machine learning care combină, unul după altul, multe modele simple – de obicei arbori de decizie mici. Fiecare arbore nou este antrenat special pentru a reduce erorile rămase ale celor anteriori. Rezultatul sunt modele foarte precise pentru date tabelare, de exemplu pentru riscul de credit, prognoze de vânzări sau probabilitatea pierderii clienților. Implementări cunoscute sunt XGBoost, LightGBM și CatBoost; este nevoie de o reglare atentă pentru a evita supraînvățarea.

Subiecte

Învățare automată
metodă de ansamblu
Date tabelare

Încercați KI.ordo

Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.

Porniți demo-ul

← Toți termenii

Termeni înrudiți

XGBoost

XGBoost (Extreme Gradient Boosting) este o bibliotecă open-source care implementează gradient boosting cu arbori de decizie în mod deosebit de eficient. Mulți arbori mici sunt antrenați unul după altul, fiecare corectând erorile celor dinainte, în timp ce regularizarea ajută la prevenirea supraajustării. XGBoost este considerat o alegere dovedită pentru date tabelare, de exemplu în scoringul riscului de credit, prezicerea renunțării clienților (churn) sau prognoza vânzărilor.

Învățare automată
Boosting
+1

LightGBM

LightGBM este o bibliotecă open-source pentru gradient boosting cu arbori de decizie, dezvoltată inițial de Microsoft. Este concepută pentru viteză și consum redus de memorie, printre altele prin antrenare bazată pe histograme și prin arbori care cresc frunză cu frunză, la cea mai promițătoare frunză. LightGBM este potrivită în special pentru seturi mari de date tabelare, de exemplu prognoze de vânzări, predicția pierderii clienților sau detectarea fraudelor, și este adesea comparată cu XGBoost.

gradient boosting
Date tabelare
+1

Boosting

Boosting este o metodă de ansamblu din învățarea automată în care numeroase modele simple sunt antrenate unul după altul, fiecare model nou concentrându-se asupra cazurilor pe care predecesorii săi le-au greșit. Împreună, ele formează un model global mult mai precis. Variante cunoscute sunt AdaBoost și gradient boosting, cu biblioteci precum XGBoost sau LightGBM. Boostingul este deosebit de performant pe date tabelare, de exemplu pentru prognozele privind riscul de credit, vânzările sau pierderea clienților.

Metode de ansamblu
Învățare automată
+1

Arbore de decizie

Un arbore de decizie este un model care reprezintă o decizie ca o succesiune de întrebări simple cu răspuns da/nu: fiecare ramură testează o caracteristică, iar fiecare frunză indică un rezultat. În machine learning, astfel de arbori sunt învățați automat din date și folosiți pentru clasificare sau prognoză. Principalul lor punct forte este transparența – de exemplu, arată de ce o cerere de credit a fost semnalată pe baza venitului, a duratei și a istoricului de plăți.

Învățare automată
Clasificare
+1