Ενισχυμένη Ενίσχυση Κλίσης (Robust Gradient Boosting)
Η Ενισχυμένη Ενίσχυση Κλίσης (Robust Gradient Boosting) είναι μια μέθοδος ενίσχυσης κλίσης (gradient boosting) που εκπαιδεύεται με συναρτήσεις απώλειας ανθεκτικές σε ακραίες τιμές (outlier-resistant loss functions) — συνηθέστερα την απώλεια Huber ή την απώλεια ποσοστημορίου (pinball loss) — αντί της απώλειας τετραγωνικού σφάλματος. Προτεινόμενη στην θεμελιώδη εργασία του Friedman το 2001, αυτή η παραλλαγή παράγει προβλέψεις πολύ λιγότερο παραμορφωμένες από ακραίες τιμές ή αλλοιωμένες ετικέτες, διατηρώντας παράλληλα την πλήρη προγνωστική ισχύ των ενισχυμένων με κλίση δέντρων.
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
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/el/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.
- ΕνίσχυσηΜηχανική Μάθηση↔ compare
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- Κανονικοποιημένη Ενίσχυση ΚλίσηςΜηχανική Μάθηση↔ compare
- Εισαγωγή στην Ανθεκτική Γραμμική ΠαλινδρόμησηΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →