Robust Decision Tree
Et Robust Decision Tree er en variant af beslutningstræer, der er trænet med modificerede opdelingskriterier eller træningsprocedurer designet til at reducere følsomheden over for outliers, labelstøj og adversariale forstyrrelser. I stedet for at minimere standard urenhedsmål, der er stærkt påvirket af ekstreme værdier, anvender robuste varianter statistisk robuste analoger eller regularisering til at producere opdelinger, der generaliserer under støjfyldte eller korrupte dataforhold.
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
- Chen, H., & Nan, F. (2019). Robust Decision Trees Against Adversarial Examples. Proceedings of the 36th International Conference on Machine Learning (ICML), PMLR 97, 1006–1015. link ↗
- Hubert, M., & Debruyne, M. (2010). Minimum covariance determinant. Wiley Interdisciplinary Reviews: Computational Statistics, 2(1), 36–43. (background on robust estimation applied to tree splitting criteria) DOI: 10.1002/wics.61 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust Decision Tree (Outlier-Resistant Tree Induction). ScholarGate. https://scholargate.app/da/machine-learning/robust-decision-tree
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.
- BeslutningstræMaskinlæring↔ compare
- Ekstra TræerMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- Reguleret beslutningstræMaskinlæring↔ compare
- Robust Gradient BoostingMaskinlæring↔ compare
- Robust Random ForestMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →