Pular para o conteúdo principal

Cookies no Macro by Mark.Usamos cookies essenciais para login, idioma e segurança. Com sua permissão, também usamos cookies opcionais de preferências, para análise e para medição de anúncios com o Pixel da Meta (Facebook). Leia nossa política de cookies.

Macro by MarkMacro by Mark
  • Início
Carregando…
Carregando…
← Modelos
MacroConceitosPolíticaModelos

Modelo Gradient boosting

Conjunto sequencial de árvores que ajusta resíduos etapa por etapa e usa perda de validação para conter sobreajuste.

Visão geralGráficoMatemáticaReferências

Gradient boosting: artigos e trilha de evidência

Use esta aba para localizar os textos e referências que sustentam a página. Títulos bibliográficos são preservados no idioma original.

Gradient boosting fontes: fontes e orientação de uso

De onde vem a estrutura, quais hipóteses adota e como interpretar os resultados.

Fontes acadêmicas e de pesquisa

Fontes acadêmicas e de pesquisa

[S1] The Annals of Statistics ↗

Friedman (2001) -- Greedy function approximation: a gradient boosting machine. Introduced functional gradient descent, pseudo-residuals, and shrinkage.

The Annals of Statistics · 2001

[S2] Computational Statistics & Data Analysis ↗

Friedman (2002) -- Stochastic gradient boosting. Added row subsampling at each round as additional regularization.

Computational Statistics & Data Analysis · 2002

[S3] Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ↗

Chen and Guestrin (2016) -- XGBoost: a scalable tree boosting system. Second-order Taylor expansion, regularized objective, sparsity-aware splits, system-level optimizations.

Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining · 2016

[S4] Advances in Neural Information Processing Systems ↗

Ke, Meng, Finley, Wang, Chen, Ma, Ye, Liu (2017) -- LightGBM: a highly efficient gradient boosting decision tree. Gradient-based one-side sampling (GOSS) and exclusive feature bundling (EFB).

Advances in Neural Information Processing Systems · 2017

[S5] Advances in Neural Information Processing Systems ↗

Prokhorenkova, Gusev, Vorobev, Dorogush, Gulin (2018) -- CatBoost: unbiased boosting with categorical features. Ordered boosting to prevent target leakage.

Advances in Neural Information Processing Systems · 2018

[S6] The Review of Financial Studies ↗

Gu, Kelly, Xiu (2020) -- Empirical asset pricing via machine learning. Large-scale comparison finding gradient-boosted trees competitive with neural networks.

The Review of Financial Studies · 2020

[S7] Journal of Business & Economic Statistics ↗

Medeiros, Vasconcelos, Veiga, Zilberman (2021) -- Forecasting US CPI inflation in a data-rich environment (FRED-MD). Headline result: random forests dominate; boosted trees among the nonlinear methods beating penalized linear benchmarks.

Journal of Business & Economic Statistics · 2021

[S8] International Journal of Forecasting ↗

Garcia, Medeiros, Vasconcelos (2017) -- Real-time inflation forecasting with high-dimensional models for Brazil.

International Journal of Forecasting · 2017

Como ler esta lista

As fontes estão agrupadas pela proximidade com a evidência. Comece por divulgações oficiais e páginas metodológicas para afirmações de medição; use artigos e textos para discussão para mecanismos, identificação e interpretação.

As referências fundamentam a estrutura; não validam automaticamente os parâmetros escolhidos no gráfico.

Composição das fontes

8 · Fontes acadêmicas e de pesquisa

Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC