শক্তিশালী এক্সজিবিওওস্ট
শক্তিশালী এক্সজিবিওওস্ট (Robust XGBoost) এক্সজিবিওওস্টের পরিমাপযোগ্য গ্রেডিয়েন্ট বুস্টিং ফ্রেমওয়ার্ককে শক্তিশালী লস ফাংশনগুলির সাথে একত্রিত করে — প্রধানত হুবার লস (Huber loss) বা এর বিভিন্ন রূপ — যা আউটলায়ারের বিকৃত প্রভাব প্রতিরোধ করতে পারে এমন একটি গ্রেডিয়েন্ট বুস্টেড ট্রি এনসেম্বল তৈরি করে। বর্গাকার-ত্রুটি উদ্দেশ্যকে এমন একটি লস দিয়ে প্রতিস্থাপন করে যা বড় অবশিষ্টাংশগুলিকে কম গুরুত্ব দেয়, মডেলটি প্রশিক্ষণের ডেটাতে চরম মান বা লেবেল নয়েজ থাকলেও অবিচ্ছিন্ন লক্ষ্যের উপর নির্ভরযোগ্য ভবিষ্যদ্বাণী প্রদান করে।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
Method map
The neighbourhood of related methods — select a node to explore.
উৎস
- 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 ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/bn/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.
- গ্রেডিয়েন্ট বুস্টিংযন্ত্র শিখন↔ compare
- Robust Gradient Boostingযন্ত্র শিখন↔ compare
- শক্তিশালী লাইটজিবিএমযন্ত্র শিখন↔ compare
- রোবাস্ট লিনিয়ার রিগ্রেশনযন্ত্র শিখন↔ compare
- শক্তিশালী র্যান্ডম ফরেস্টযন্ত্র শিখন↔ compare
- XGBoostযন্ত্র শিখন↔ compare
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →