Robuster Entscheidungsbaum
Ein Robuster Entscheidungsbaum ist eine Variante des Entscheidungsbaums, die mit modifizierten Teilungskriterien oder Trainingsverfahren trainiert wird, um die Empfindlichkeit gegenüber Ausreißern, Label-Rauschen und adversariellen Störungen zu reduzieren. Anstatt Standard-Unreinheitsmaße zu minimieren, die stark von Extremwerten beeinflusst werden, verwenden robuste Varianten statistisch robuste Analoga oder Regularisierung, um Teilungen zu erzeugen, die unter verrauschten oder korrumpierten Datenbedingungen generalisieren.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Decision Tree (Outlier-Resistant Tree Induction). ScholarGate. https://scholargate.app/de/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.
- EntscheidungsbaumMaschinelles Lernen↔ compare
- Extra TreesMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Regularisierter EntscheidungsbaumMaschinelles Lernen↔ compare
- Robustes Gradient BoostingMaschinelles Lernen↔ compare
- Robuster ZufallswaldMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →