Устойчив XGBoost
Устойчивият XGBoost комбинира мащабируемата рамка за градиентно усилване на XGBoost с устойчиви функции на загуба — предимно загубата на Хюбер или нейните варианти — за да произведе ансамбъл от градиентно усилени дървета, който устоява на изкривяващото влияние на екстремните стойности. Чрез замяна на целевата функция за квадратична грешка с такава, която намалява тежестта на големите остатъци, моделът осигурява надеждни прогнози за непрекъснати целеви променливи, дори когато данните за обучение съдържат екстремни стойности или шум в етикетите.
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
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/bg/machine-learning/robust-xgboost
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.
- Градиентен бустингМашинно обучение↔ compare
- Устойчиво градиентно усилванеМашинно обучение↔ compare
- Robust LightGBMМашинно обучение↔ compare
- Robust Linear RegressionМашинно обучение↔ compare
- Робастна случайна гораМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →