梯度提升 vs 梯度下降 || boosting,bagging和stacking

小yuning

已于 2023-02-06 11:20:57 修改

阅读量465

点赞数

分类专栏：算法基础

于 2021-12-23 09:12:42 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_38502514/article/details/122099280

版权

1 梯度提升和梯度下降的区别：梯度下降更新的是参数。梯度提升更新的是函数。比如loss=f(x)=x2loss=f(x)=x^2loss=f(x)=x2如果是梯度下降，每次迭代就会更新x,xn=xn−1+δnx, x_n=x_{n-1}+\delta_nx,xn=xn−1+δn, δn\delta_nδn是第n次迭代参数的增量，是一个值，方向是沿着负梯度的方向，所以这个方法叫梯度下降。如果是梯度提升，每次迭代就会更新f,fn(x)=fn−1(x)+Δfn(x)f, f_n(x)=f

摘要由CSDN通过智能技术生成

1 梯度提升 vs 梯度下降

梯度下降更新的是参数。
梯度提升更新的是函数。

比如 $loss=f(x)=x^2$

如果是梯度下降，每次迭代就会更新 $x_n=x_{n-1}+\delta_n$

最低0.47元/天解锁文章

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
梯度提升 vs 梯度下降 || boosting,bagging和stacking

1 梯度提升和梯度下降的区别：梯度下降更新的是参数。梯度提升更新的是函数。比如loss=f(x)=x2loss=f(x)=x^2loss=f(x)=x2如果是梯度下降，每次迭代就会更新x,xn=xn−1+δnx, x_n=x_{n-1}+\delta_nx,xn=xn−1+δn, δn\delta_nδn是第n次迭代参数的增量，是一个值，方向是沿着负梯度的方向，所以这个方法叫梯度下降。如果是梯度提升，每次迭代就会更新f,fn(x)=fn−1(x)+Δfn(x)f, f_n(x)=f
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。