Boosting Ensemble
El boosting és un mètode d'ensemble que entrena seqüencialment aprenents febles i els combina en un predictor fort centrant-se en mostres que els models anteriors van classificar erròniament. Cada nou aprenent feble es pondera segons la dificultat de la seva tasca d'entrenament, i les prediccions finals es fan mitjançant votació ponderada. Pioner de Schapire (1990) i refinat a AdaBoost (Freund & Schapire, 1997), el boosting converteix aprenents febles (amb prou feines millors que l'atzar) en aprenents forts mitjançant reponderació seqüencial.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/ca/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.
- AdaBoostAprenentatge automàtic↔ compare
- Bagging EnsembleAprenentatge per conjunts↔ compare
- Gradient BoostingAprenentatge automàtic↔ compare
- Votació per majoriaAprenentatge per conjunts↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →