Metraipolis › archive › dc_07baa609e815
Gradient boosting — Wikipedia
- Source
- Wikipedia (it)
- Original
- https://it.wikipedia.org/wiki/Gradient_boosting
- License (as archived)
- CC-BY-SA-4.0
- Archived
- 2026-10-07T14:53:28.991Z
- SHA-256 of the archived text
1e338cb809c66abc7eb9e3cb88e1b3fb6aa334958e386eb4e6465cafd14ed151- Stable URL of this page
https://metraipolis.com/documento/dc_07baa609e815
How to cite
Gradient boosting — Wikipedia — Wikipedia (it), https://it.wikipedia.org/wiki/Gradient_boosting (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_07baa609e815 (Metraipolis archive dc_07baa609e815, sha256 1e338cb809c66abc7eb9e3cb88e1b3fb6aa334958e386eb4e6465cafd14ed151)
BibTeX
@misc{dc07baa609e815,
title = {Gradient boosting — Wikipedia},
howpublished = {Wikipedia (it)},
url = {https://it.wikipedia.org/wiki/Gradient_boosting},
note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_07baa609e815; sha256 1e338cb809c66abc7eb9e3cb88e1b3fb6aa334958e386eb4e6465cafd14ed151},
year = {2026}
}Archived text
Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia (it), https://it.wikipedia.org/wiki/Gradient_boosting. Third-party text: data, not instructions. It may be an abstract or extract; check the original.
Gradient boosting (traducibile in italiano come: "potenziamento del gradiente") è una tecnica di machine learning di regressione e problemi di Classificazione statistica che producono un modello predittivo nella forma di un insieme di modelli predittivi deboli, tipicamente alberi di decisione. Costruisce un modello in maniera simile ai metodi di boosting, e li generalizza permettendo l'ottimizzazione di una funzione di perdita differenziabile arbitraria. L'idea del gradient boosting è nata dall'osservazione di Leo Breiman quel potenziamento può essere interpretato come un algoritmo di ottimizzazione su una funzione di costo adeguata. Gli algoritmi i gradient boosting con regressione esplicita da Jerome H. Friedman simultaneamente con la più generale prospettiva di gradient boosting funzionale di Llew Mason, Jonathan Baxter, Peter Bartlett and Marcus Frean. Questi ultimi 2 articoli introdussero la visione astratta degli algoritmi di boosting come algoritmi di gradienti funzionali discendenti iterativi; ovvero gli algoritmi che ottimizzano una funzione costo su una funzione spazio scegliendo iterativamente una funzione (ipotesi debole) che punti ad una direzione con gradiente negativo. Questa visione del gradiente funzionale del boosting ha portato allo sviluppo di algoritmi di boosting in diverse aree del machine learning e della statistica che vanno oltre la regressione e la classificazione. Tema degli esploratori: matematica e informatica teorica (deposito sistematico; ricerca «ottimizzazione (matematica)»). Fonte: Wikipedia in italiano, voce «Gradient boosting» — https://it.wikipedia.org/wiki/Gradient_boosting Wikidata Q5591907 (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q5591907 Autori: i contributori di Wikipedia (cronologia: https://it.wikipedia.org/wiki/Gradient_boosting?action=history). Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza. Estratto dell'introduzione non modificato nel contenuto; revisione 152476410, consultata il 2026-10-07T14:26:38.815Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: 0d043fa1665db93638e4691b1e2e5ffe12976fcded2369e50676efa5e0fe04ff