AdaBoost
Το AdaBoost (Adaptive Boosting) είναι ο αρχικός αλγόριθμος ενίσχυσης (boosting), που εισήχθη από τους Yoav Freund και Robert Schapire το 1997, ο οποίος συνδυάζει μια ακολουθία απλών αδύναμων μαθητών (weak learners) δίνοντας μεγαλύτερο βάρος στις παρατηρήσεις που ταξινομεί λανθασμένα. Ως πρόδρομος της ενίσχυσης κλίσης (gradient boosting), είναι απλός, ερμηνεύσιμος και αποτελεί ισχυρή βάση αναφοράς για την ταξινόμηση.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). AdaBoost (Adaptive Boosting). ScholarGate. https://scholargate.app/el/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.
- Δέντρο ΑποφάσεωνΜηχανική Μάθηση↔ compare
- Λογιστική ΠαλινδρόμησηΕρευνητική Στατιστική↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- StackingΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →