Устойчиво усилване
Устойчивото усилване модифицира стандартни алгоритми за усилване — като AdaBoost или градиентно усилване — чрез замяна на стандартните експоненциални или квадратни загуби с устойчиви функции на загуба (напр. Хюбер, логистични или отрязани загуби) или чрез включване на механизми за толерантност към шум, така че ансамбълът да остане точен дори когато данните за обучение съдържат отклонения, шум в етикетите или грешки с тежки опашки.
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
- Freund, Y. (2001). An adaptive version of the boost by majority algorithm. Machine Learning, 43(3), 293–318. DOI: 10.1023/A:1010852229904 ↗
- Mason, L., Baxter, J., Bartlett, P., & Frean, M. (2000). Boosting Algorithms as Gradient Descent. Advances in Neural Information Processing Systems (NIPS), 12, 512–518. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/bg/machine-learning/robust-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.
- БустингМашинно обучение↔ compare
- Градиентен бустингМашинно обучение↔ compare
- Регуляризирано бустиранеМашинно обучение↔ compare
- Устойчиво градиентно усилванеМашинно обучение↔ compare
- Робастна случайна гораМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →