ایکسجیبوست مقاوم
ایکسجیبوست مقاوم، چارچوب تقویتی گرادیان مقیاسپذیر ایکسجیبوست را با توابع زیان مقاوم — عمدتاً زیان هیوبر یا انواع آن — ترکیب میکند تا مجموعهای از درختان تقویتی گرادیان تولید کند که در برابر تأثیر مخرب دادههای پرت مقاومت میکند. با جایگزینی هدف خطای مربعی با زیانی که باقیماندههای بزرگ را کماهمیت جلوه میدهد، مدل حتی زمانی که دادههای آموزشی حاوی مقادیر شدید یا نویز برچسب باشند، پیشبینیهای قابل اعتمادی را برای اهداف پیوسته ارائه میدهد.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/fa/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.
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- تقویت گرادیان مقاومیادگیری ماشین↔ compare
- LightGBM مقاومیادگیری ماشین↔ compare
- رگرسیون خطی مقاومیادگیری ماشین↔ compare
- جنگل تصادفی مقاومیادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →