Robuster XGBoost
Robuster XGBoost kombiniert das skalierbare Gradient-Boosting-Framework von XGBoost mit robusten Verlustfunktionen – primär dem Huber-Verlust oder seinen Varianten –, um ein Gradient-Boosting-Baum-Ensemble zu erzeugen, das dem verzerrten Einfluss von Ausreißern widersteht. Durch den Ersatz des quadratischen Fehlerziels durch einen Verlust, der große Residuen heruntergewichtet, liefert das Modell zuverlässige Vorhersagen für kontinuierliche Zielvariablen, selbst wenn Trainingsdaten extreme Werte oder Rauschmarkierungen 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
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/de/machine-learning/robust-xgboost
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.
- Gradient BoostingMaschinelles Lernen↔ compare
- Robustes Gradient BoostingMaschinelles Lernen↔ compare
- Robust LightGBMMaschinelles Lernen↔ compare
- Robuste Lineare RegressionMaschinelles Lernen↔ compare
- Robuster ZufallswaldMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →