بوستینگ
بوستینگ یک تکنیک گروهی ترتیبی است که با تمرکز مکرر آموزش بر روی مثالهایی که یادگیرندههای قبلی اشتباه پاسخ دادهاند، بسیاری از یادگیرندههای ساده و اندکی بهتر از حدس تصادفی را به یک مدل واحد با دقت بالا تبدیل میکند، سپس همه یادگیرندهها را با وزنهایی متناسب با دقت فردیشان ترکیب 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.
+29 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 ↗
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197–227. DOI: 10.1007/BF00116037 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/fa/machine-learning/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.
- بگینگ (تجمیع بوتاسترپ)یادگیری ماشین↔ compare
- درخت تصمیمیادگیری ماشین↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- مجموعه رأیگیرییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →