Ενισχυμένη Ανθεκτικότητα (Robust Boosting)
Η Ενισχυμένη Ανθεκτικότητα τροποποιεί τυπικούς αλγορίθμους ενίσχυσης — όπως η AdaBoost ή η gradient boosting — αντικαθιστώντας την προεπιλεγμένη εκθετική ή τετραγωνική απώλεια με ανθεκτικές συναρτήσεις απώλειας (π.χ., απώλειες Huber, λογιστικές ή περικομμένες) ή ενσωματώνοντας μηχανισμούς αντοχής στον θόρυβο, ώστε το σύνολο να παραμένει ακριβές ακόμη και όταν τα δεδομένα εκπαίδευσης περιέχουν ακραίες τιμές, θόρυβο στις ετικέτες ή σφάλματα με βαριές ουρές.
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.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/el/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.
- ΕνίσχυσηΜηχανική Μάθηση↔ compare
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- Ενισχυμένη Ενίσχυση (Regularized Boosting)Μηχανική Μάθηση↔ compare
- Ενισχυμένη Ενίσχυση Κλίσης (Robust Gradient Boosting)Μηχανική Μάθηση↔ compare
- Robust Random ForestΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →