Бустинг
Boosting е последователна ансамблова техника, която превръща много прости, едва по-добри от случайните класификатори в единен модел с висока точност, като повтарящо се фокусира обучението върху примерите, които предишните класификатори са сгрешили, след което комбинира всички класификатори с тегла, пропорционални на тяхната индивидуална точност.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+29 more
Източници
- 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 ↗
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197–227. DOI: 10.1007/BF00116037 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/bg/machine-learning/boosting
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.
- Bagging (Bootstrap Aggregating)Машинно обучение↔ compare
- Дърво на решениятаМашинно обучение↔ compare
- Градиентен бустингМашинно обучение↔ compare
- Случайна гораМашинно обучение↔ compare
- Гласуваща ансамблова схемаМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →