AdaBoost
AdaBoost (Adaptive Boosting) نخستین الگوریتم بوستینگ است که در سال ۱۹۹۷ توسط Yoav Freund و Robert Schapire معرفی شد و مجموعهای از یادگیرندههای ضعیف ساده را با تخصیص وزن بیشتر به مشاهداتی که اشتباه طبقهبندی کردهاند، ترکیب میکند. این الگوریتم که پیشگام بوستینگ گرادیان است، ساده، قابل تفسیر و یک خط پایه قوی برای طبقهبندی محسوب میشود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
منابع
- 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 1). AdaBoost (Adaptive Boosting). ScholarGate. https://scholargate.app/fa/machine-learning/adaboost
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.
- درخت تصمیمیادگیری ماشین↔ compare
- رگرسیون لجستیکآمار پژوهش↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- چیدمانیادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →