Boosting Robusto
El Boosting Robusto modifica los algoritmos de boosting estándar —como AdaBoost o gradient boosting— reemplazando la pérdida exponencial o cuadrática predeterminada por funciones de pérdida robustas (por ejemplo, Huber, logística o pérdidas truncadas) o incorporando mecanismos de tolerancia al ruido, de modo que el ensamble se mantenga preciso incluso cuando los datos de entrenamiento contienen valores atípicos, ruido en las etiquetas o errores de cola pesada.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/es/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.
- PotenciaciónAprendizaje automático↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Potenciación RegularizadaAprendizaje automático↔ compare
- Gradient Boosting RobustoAprendizaje automático↔ compare
- Robust Random ForestAprendizaje automático↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →