Teknologi.Bagian dari ensiklopedia.onlineCari/
BerandaAI & otomasiGradient boosting pohon
Perangkat lunak & algoritme

Gradient boosting pohon

Gradient boosting membangun ensemble secara bertahap agar model baru memperbaiki loss model sebelumnya. Pohon regresi menjadi pembelajar tambahan pada klasifikasi.

AI & otomasi1 rujukanProfil diperbarui
Lihat rujukanBandingkan teknologi
Peta fungsi teknologi: Gradient boosting pohonMasukan: Fitur dan label serta pilihan loss. Bagian: Loss; Pohon tahap; Learning rate. Keluaran: Skor atau peluang klasifikasi ensemble. Bagian dikelompokkan menurut fungsi, bukan urutan perakitan.MASUKANFitur dan label serta pilihanloss.BAGIAN FUNGSIONALLossMengukur kesalahan prediksi.Pohon tahapMendekati gradien negatif.Learning rateMengatur kontribusi pembaruan.KELUARANSkor atau peluang klasifikasiensemble.
Peta fungsi teknologi

Diagram konseptual dari masukan, fungsi bagian, dan keluaran dalam profil. Susunan kotak tidak menunjukkan urutan perakitan atau posisi fisik.

Teknologi · CC BY 4.0 · Sumber data

Bagaimana cara kerjanya?

Prediksi saat ini digunakan menghitung gradien negatif loss. Pohon baru dipasang untuk mendekati arah perbaikan itu, lalu kontribusinya ditambahkan dengan learning rate; tahapan berulang memperbaiki fungsi prediksi aditif.

Rujukan penjelasan

Bagian fungsional

  1. 01

    Loss

    Mengukur kesalahan prediksi.

  2. 02

    Pohon tahap

    Mendekati gradien negatif.

  3. 03

    Learning rate

    Mengatur kontribusi pembaruan.

Masukan dan keluaran

01 / Masukan

Fitur dan label serta pilihan loss.

02 / Keluaran

Skor atau peluang klasifikasi ensemble.

Parameter teknis

Informasi dengan rujukan belum tersedia untuk bagian ini. Profil ini tidak menyajikan spesifikasi angka untuk model tertentu atau nilai yang berlaku bagi seluruh keluarga teknologi.

Versi dan status

Profil membahas konsep atau kategori teknologi; versi implementasi tertentu belum ditetapkan.

Status terbit profil berbeda dari status produksi, dukungan, atau sertifikasi perangkat.

Penerapan dan keterbatasan

  • Prediksi tabular
  • Pemodelan hubungan nonlinear

Batas cakupan

Tahapan berlebihan dapat overfit; learning rate, kedalaman, serta jumlah pohon perlu divalidasi bersama.

Teknologi yang terhubung

  • Menggunakan prinsip
    Pohon keputusan

    Gradient boosting menggunakan pohon regresi sebagai pembelajar setiap tahap; profil terkait menjelaskan prinsip pemisahan pohon, bukan bahwa tiap pohon adalah classifier.

    Lihat rujukan hubungan
Buka peta teknologi

Dasar penjelasan

Penjelasan asli bahasa Indonesia disusun dengan pemeriksaan rujukan primer oleh agen AI. Belum ditinjau ahli. Baca metodologi dan batas pemeriksaan. Ringkasan standar tidak menggantikan teks normatif; ilustrasi konseptual tidak menjadi bukti konfigurasi model.