Robust Boosting
Robust Boosting modifiziert Standard-Boosting-Algorithmen – wie AdaBoost oder Gradient Boosting – durch den Ersatz der standardmäßigen exponentiellen oder quadratischen Verlustfunktion durch robuste Verlustfunktionen (z. B. Huber-, logistische oder trunkierte Verlustfunktionen) oder durch die Einbeziehung von Mechanismen zur Rauschertoleranz, sodass das Ensemble auch dann genau bleibt, wenn Trainingsdaten Ausreißer, Label-Rauschen oder Fehler mit schweren Rändern enthalten.
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.
Quellen
- Freund, Y. (2001). An adaptive version of the boost by majority algorithm. Machine Learning, 43(3), 293–318. DOI: 10.1023/A:1010852229904 ↗
- Mason, L., Baxter, J., Bartlett, P., & Frean, M. (2000). Boosting Algorithms as Gradient Descent. Advances in Neural Information Processing Systems (NIPS), 12, 512–518. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/de/machine-learning/robust-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.
- BoostingMaschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- Regularized BoostingMaschinelles Lernen↔ compare
- Robustes Gradient BoostingMaschinelles Lernen↔ compare
- Robuster ZufallswaldMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →