Robustes Gradient Boosting
Robustes Gradient Boosting ist ein Gradient Boosting, das mit ausreißerresistenten Verlustfunktionen trainiert wird – am häufigsten der Huber-Verlust oder der Quantil- (Pinball-) Verlust – anstelle des quadratischen Fehlerverlusts. Diese Variante, die in Friedmans wegweisender Arbeit von 2001 vorgeschlagen wurde, liefert Vorhersagen, die wesentlich weniger durch Extremwerte oder verunreinigte Labels verzerrt werden, während die volle Vorhersagekraft von gradient-boosted Bäumen erhalten bleibt.
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
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/de/machine-learning/robust-gradient-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
- Random ForestMaschinelles Lernen↔ compare
- Regularisiertes Gradient BoostingMaschinelles Lernen↔ compare
- Robuste Lineare RegressionMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →