.png){kind=icon}
返回
Gradient boosted bagging for evolving data stream regression
.png){kind=icon}
OA
AI
DOI：10.1007/s10618-025-01147-x.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
梯度提升已在批量学习中得到广泛研究。最近，其流式适配版本流式梯度提升树（Sgbt）在多种漂移场景下的流式分类任务中，超越了现有的最佳随机子空间和随机补丁方法。然而，其在流式回归中的应用尚未被探索。原始Sgbt采用平方损失应用于流式回归问题时表现出高方差。为解决此问题，本研究利用流式回归器的装袋（bagging）技术创建流式梯度提升回归（Sgbr）。流式回归器的装袋技术以两种方式应用：首先，作为现有Sgbt框架中的基学习器；其次，作为一种集成方法，聚合多个Sgbt。我们在涵盖多种漂移场景的11个流式回归数据集上进行了大量实验，结果表明，Sgbr的第一类变体Sgb(Oza)在预测能力和计算成本两方面均显著优于当前的最佳流式回归方法。
Keyword:
Stream learning
Gradient boosting
Gradient boosted bagging
Gradient boosted regression
Data stream boosting
Streaming regression
Streaming gradient boosting
Streaming gradient boosted bagging
Streaming gradient boosted regression
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.3
论文数:
221
被引数:
6.0K
机构
引用论文
The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation在回归分析评估中，决定系数R平方比SMAPE，MAE，MAPE，MSE和RMSE更具信息性OAAI
OAAI分享收藏Mining high-speed data streams.png)
Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining
OAAI
Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data miningIF0
OAAI分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningOAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏Elastic gradient boosting decision tree with adaptive iterations for concept drift adaptationNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏
查看更多内容