تقویت (Boosting Ensemble)
تقویت یک روش گروهی (ensemble) است که به طور متوالی یادگیرندههای ضعیف را آموزش داده و با تمرکز بر نمونههایی که مدلهای قبلی اشتباه طبقهبندی کردهاند، آنها را در یک پیشبینیکننده قوی ترکیب میکند. هر یادگیرنده ضعیف جدید بر اساس دشواری وظیفه آموزشی خود وزندهی میشود و پیشبینیهای نهایی از طریق رأیگیری وزندار انجام میشود. این روش که توسط Schapire (1990) پیشگام شد و در AdaBoost (Freund & Schapire, 1997) اصلاح گردید، یادگیرندههای ضعیف (کمی بهتر از تصادفی) را از طریق وزندهی مجدد متوالی به یادگیرندههای قوی تبدیل میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119-139. DOI: 10.1006/jcss.1997.1504 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/fa/ensemble-learning/boosting-ensemble
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.
- AdaBoostیادگیری ماشین↔ compare
- انسامبل بگینگیادگیری گروهی↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- رأی اکثریتیادگیری گروهی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →