Robustní Gradient Boosting
Robustní Gradient Boosting je gradient boosting trénovaný s pomocí ztrátových funkcí odolných vůči odlehlým hodnotám – nejčastěji Huberovy ztráty nebo kvantilové (pinball) ztráty – namísto ztráty čtvercové chyby. Tato varianta, navržená v zásadním článku Friedmana z roku 2001, produkuje predikce, které jsou mnohem méně zkreslené extrémními hodnotami nebo kontaminovanými popisky, přičemž si zachovává plnou prediktivní sílu stromů zesílených gradientem.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Zdroje
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/cs/machine-learning/robust-gradient-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
- Random ForestStrojové učení↔ compare
- Regularizované gradientní posilováníStrojové učení↔ compare
- Robustní lineární regreseStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →