Machine learningMachine learning

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.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

+2 more

Πηγές

  1. Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451
  2. 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.

Compare side by side

Αναφέρεται από

ScholarGateRobust Gradient Boosting (Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/robust-gradient-boosting · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026