Robust Boosting
Robust Boosting modifikuje standardní boostingové algoritmy — jako AdaBoost nebo gradient boosting — nahrazením výchozí exponenciální nebo kvadratické ztráty robustními ztrátovými funkcemi (např. Huberova, logistická nebo oříznutá ztráta) nebo začleněním mechanismů odolných vůči šumu, aby soubor zůstal přesný i v případě, že trénovací data obsahují odlehlé hodnoty, šum v označeních nebo chyby s těžkými konci.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/cs/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.
- ZesilováníStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Regularized BoostingStrojové učení↔ compare
- Robustní Gradient BoostingStrojové učení↔ compare
- Robustní náhodný les (Robust Random Forest)Strojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →