Greedy function approximation: A gradient boosting machine.
贪婪函数逼近：梯度提升机AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要是通用回归与分类算法研究，未明确涉及宏观预测、收益预测或因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
贪婪函数逼近：梯度提升机
- 研究问题
- 如何在函数空间中通过逐步加性扩展进行数值优化，使提升方法适用于不同回归损失和多分类拟合准则？
- 方法与思路
- 作者连接逐步加性扩展与最速下降，构建梯度提升框架，并为多种损失给出算法以及回归树组件的改进和解释工具。
- 材料陈述的贡献
- 摘要提出统一的梯度提升范式和 TreeBoost 方法，并声称树提升具有竞争力、稳健性及可解释性，具体证据需核对。
- 阅读关注点
- 应核对各损失对应的更新步骤、树模型的特殊改进和解释工具，以及竞争力、稳健性等主张所依据的比较设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未给出比较数值或适用边界，不能将其性能主张推广到所有数据和任务。
原文摘要
Function estimation/approximation is viewed from the perspective of numerical optimization in function space, rather than parameter space. A connection is made between stagewise additive expansions and steepest-descent minimization. A general gradient descent “boosting” paradigm is developed for additive expansions based on any fitting criterion.Specific algorithms are presented for least-squares, least absolute deviation, and Huber-M loss functions for regression, and multiclass logistic likelihood for classification. Special enhancements are derived for the particular case where the individual additive components are regression trees, and tools for interpreting such “TreeBoost” models are presented. Gradient boosting of regression trees produces competitive, highly robust, interpretable procedures for both regression and classification, especially appropriate for mining less than clean data. Connections between this approach and the boosting methods of Freund and Shapire and Friedman, Hastie and Tibshirani are discussed.