XGBoost Robusto

XGBoost Robusto combina el marco escalable de gradient boosting de XGBoost con funciones de pérdida robustas —principalmente la pérdida de Huber o sus variantes— para producir un ensamble de árboles de gradient boosting que resiste la influencia distorsionadora de los valores atípicos. Al reemplazar el objetivo de error cuadrático con una pérdida que reduce el peso de los residuos grandes, el modelo ofrece predicciones fiables sobre objetivos continuos incluso cuando los datos de entrenamiento contienen valores extremos o ruido en las etiquetas.