Boosting Ensemble
Boosting er en ensemblemetode, der sekventielt træner svage lærende modeller og kombinerer dem til en stærk prædiktor ved at fokusere på eksempler, som tidligere modeller klassificerede forkert. Hver ny svag lærende model vægtes i henhold til sværhedsgraden af dens træningsopgave, og endelige forudsigelser foretages via vægtet afstemning. Metoden blev pioneret af Schapire (1990) og forfinet i AdaBoost (Freund & Schapire, 1997), hvor boosting omdanner svage lærende modeller (knap bedre end tilfældig gætning) til stærke lærende modeller gennem sekventiel genvægtning.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/da/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.
- AdaBoostMaskinlæring↔ compare
- Bagging EnsembleEnsemblelæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- FlertalsafstemningEnsemblelæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →