Бустинг Ансамбъл
Бустингът е ансамблов метод, който последователно обучава слаби обучители и ги комбинира в силен предиктор, като се фокусира върху извадки, които предишни модели са класифицирали погрешно. Всеки нов слаб обучител се претегля според трудността на задачата за обучение, а крайните прогнози се правят чрез претеглено гласуване. Пионер на този метод е Schapire (1990), а усъвършенстван вариант е AdaBoost (Freund & Schapire, 1997). Бустингът преобразува слаби обучители (едва по-добри от случайните) в силни чрез последователно претегляне.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119-139. DOI: 10.1006/jcss.1997.1504 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/bg/ensemble-learning/boosting-ensemble
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AdaBoostМашинно обучение↔ compare
- Ансамбъл BaggingАнсамблово обучение↔ compare
- Градиентен бустингМашинно обучение↔ compare
- Мнозинствено гласуванеАнсамблово обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →