Robustní XGBoost
Robustní XGBoost kombinuje škálovatelný rámec gradientního posilování XGBoost s robustními ztrátovými funkcemi – primárně Huberovou ztrátou nebo jejími variantami – a vytváří soubor gradientně posílených stromů, který odolává zkreslujícímu vlivu odlehlých hodnot. Nahrazením cílové funkce kvadratické chyby ztrátou, která snižuje váhu velkých reziduí, model poskytuje spolehlivé predikce pro spojité cílové proměnné, i když trénovací data obsahují extrémní hodnoty nebo šum v cílové proměnné.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/cs/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.
- Gradient BoostingStrojové učení↔ compare
- Robustní Gradient BoostingStrojové učení↔ compare
- Robustní LightGBMStrojové učení↔ compare
- Robustní lineární regreseStrojové učení↔ compare
- Robustní náhodný les (Robust Random Forest)Strojové učení↔ compare
- XGBoostStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →