Boosting (posilování) souboru modelů
Boosting je metoda souboru modelů (ensemble method), která postupně trénuje slabé učící algoritmy (weak learners) a kombinuje je do silného prediktoru tím, že se zaměřuje na vzorky, které předchozí modely chybně klasifikovaly. Každý nový slabý učící algoritmus je vážen podle obtížnosti jeho tréninkového úkolu a konečné predikce jsou prováděny pomocí váženého hlasování. Boosting, jehož průkopníkem byl Schapire (1990) a který byl zdokonalen v AdaBoost (Freund & Schapire, 1997), převádí slabé učící algoritmy (jen o málo lepší než náhodné) na silné učící algoritmy prostřednictvím sekvenčního převážení.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/cs/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.
- AdaBoostStrojové učení↔ compare
- Bagging EnsembleAnsámblové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Většinové hlasováníAnsámblové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →