Online Boosting
Online Boosting tilpasser den klassiske boosting-ramme til datastrømme ved at opdatere et ensemble af svage indlæringsmodeller (weak learners) ét eksempel ad gangen uden at lagre hele datasættet. Oza-Russell-formuleringen tilnærmer AdaBoosts genvægtning ved hjælp af Poisson-samplede instanstællinger, hvilket muliggør nøjagtig, adaptiv klassifikation i realtid eller i ressourcebegrænsede miljøer.
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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Online Boosting (Streaming Ensemble Boosting). ScholarGate. https://scholargate.app/da/machine-learning/online-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.
- BoostingMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Online BaggingMaskinlæring↔ compare
- Online læringMaskinlæring↔ compare
- Online Random ForestMaskinlæring↔ compare
- Semi-supervised BoostingMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →