AdaBoost
AdaBoost (Adaptive Boosting) ist der ursprüngliche Boosting-Algorithmus, der 1997 von Yoav Freund und Robert Schapire eingeführt wurde und eine Sequenz einfacher schwacher Lerner kombiniert, indem Beobachtungen, die sie falsch klassifizieren, mehr Gewicht gegeben wird. Als Vorläufer des Gradient Boosting ist er einfach, interpretierbar und eine starke Basis für die Klassifikation.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). AdaBoost (Adaptive Boosting). ScholarGate. https://scholargate.app/de/machine-learning/adaboost
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.
- EntscheidungsbaumMaschinelles Lernen↔ compare
- Logistische RegressionForschungsstatistik↔ compare
- Random ForestMaschinelles Lernen↔ compare
- StackingMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →