Градиентный бустинг
Метод машинного обучения (gradient boosting): модель строится как ансамбль простых моделей, обычно деревьев решений. Их добавляют по одной, и каждая следующая исправляет ошибки уже собранного ансамбля — шагом вдоль градиента функции потерь. В отличие от случайного леса, где деревья обучаются независимо друг от друга, здесь они обучаются последовательно. Это один из самых сильных методов для табличных данных; самые известные реализации — XGBoost, LightGBM и CatBoost.
проверено по: en.wikipedia.org ↗
В новостях
Microsoft показала прогноз риска магнитных бурь для 66 935 подстанций США
Метод машинного обучения, в котором много простых моделей, обычно деревьев решений, строят по очереди, и каждая следующая исправляет ошибки предыдущих. Хорошо работает на табличных данных.
NVIDIA выпустила открытую модель Kumo Tabular для прогнозов по таблицам
Метод машинного обучения, который строит ансамбль деревьев решений: каждое новое дерево исправляет ошибки предыдущих. Долгое время — главный инструмент для предсказаний по табличным данным.