This HTML5 document contains 14 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Subject Item

wikipedia-es:Gradient_boosting

foaf:primaryTopic

dbpedia-es:Gradient_boosting

Subject Item

dbpedia-es:Gradient_boosting

rdfs:label

Gradient boosting

rdfs:comment

Gradient boosting o Potenciación del gradiente, es una técnica de aprendizaje automático utilizado para el análisis de la regresión y para problemas de clasificación estadística, el cual produce un modelo predictivo en forma de un conjunto de modelos de predicción débiles, típicamente árboles de decisión. Construye el modelo de forma escalonada como lo hacen otros métodos de boosting, y los generaliza permitiendo la optimización arbitraria de una función de pérdida diferenciable.

dct:subject

category-es:Aprendizaje_automático category-es:Análisis_de_la_regresión category-es:Algoritmos_de_clasificación

foaf:isPrimaryTopicOf

wikipedia-es:Gradient_boosting

dbo:wikiPageID

8111362

dbo:wikiPageRevisionID

122235969

dbo:wikiPageLength

4101

prov:wasDerivedFrom

n7:0

dbo:abstract

Gradient boosting o Potenciación del gradiente, es una técnica de aprendizaje automático utilizado para el análisis de la regresión y para problemas de clasificación estadística, el cual produce un modelo predictivo en forma de un conjunto de modelos de predicción débiles, típicamente árboles de decisión. Construye el modelo de forma escalonada como lo hacen otros métodos de boosting, y los generaliza permitiendo la optimización arbitraria de una función de pérdida diferenciable. La idea de la potenciación del gradiente fue originada en la observación realizada por Leo Breiman​ en donde el Boosting puede ser interpretado como un algoritmo de optimización en una función de coste adecuada. Posteriormente Jerome H. Friedman​​ desarrolló algoritmos de aumento de gradiente de regresión explícita, simultáneamente con la perspectiva más general de potenciación del gradiente funcional de Llew Mason, Jonathan Baxter, Peter Bartlett y Marcus Frean.​​ En sus últimos dos trabajos presentaron la visión abstracta de los algoritmos de potenciación como algoritmos iterativos de descenso de gradientes funcionales. Es decir, algoritmos que optimizan una función de coste sobre el espacio de función mediante la elección iterativa de una función (hipótesis débil) que apunta en la dirección del gradiente negativo. Esta visión de gradiente funcional de potenciación ha llevado al desarrollo de algoritmos de potenciación en muchas áreas del aprendizaje automático y estadísticas más allá de la regresión y la clasificación.

Subject Item

dbpedia-es:Potenciación_del_gradiente

dbo:wikiPageRedirects

dbpedia-es:Gradient_boosting

Subject Item

dbr:Gradient_boosting

owl:sameAs

dbpedia-es:Gradient_boosting