Robustne XGBoost
Robustne XGBoost ühendab XGBoosti skaleeritava gradienttugevdusraamistiku robustsete kahjufunktsioonidega – peamiselt Huberi kahju või selle variandid –, et toota gradienttugevduspuude ansambel, mis on vastupidav äärmuslike väärtuste moonutavale mõjule. Asendades ruutvigade sihtfunktsiooni kahjuga, mis vähendab suurte jääkide mõju, pakub mudel usaldusväärseid ennustusi pidevate sihtväärtuste korral isegi siis, kui treeningandmed sisaldavad äärmuslikke väärtusi või märgistusmüra.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/et/machine-learning/robust-xgboost
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.
- Gradient BoostingMasinõpe↔ compare
- Robustne gradient boostingMasinõpe↔ compare
- Robust LightGBMMasinõpe↔ compare
- Robust lineaarregressioonMasinõpe↔ compare
- Robust Random ForestMasinõpe↔ compare
- XGBoostMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →