Gradient Boosting Robusto
Gradient Boosting Robusto es un método de gradient boosting entrenado con funciones de pérdida resistentes a valores atípicos —más comúnmente la pérdida de Huber o la pérdida cuantil (pinball)— en lugar de la pérdida de error cuadrático. Propuesta en el influyente artículo de Friedman de 2001, esta variante produce predicciones mucho menos distorsionadas por valores extremos o etiquetas contaminadas, al tiempo que conserva la plena capacidad predictiva de los árboles potenciados por gradiente.
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.
+2 more
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/es/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.
- PotenciaciónAprendizaje automático↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- Gradient Boosting RegularizadoAprendizaje automático↔ compare
- Regresión Lineal RobustaAprendizaje automático↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →