Boosting-yhtyeistö
Boosting on yhtyeistömenetelmä, joka kouluttaa heikkoja oppijoita peräkkäin ja yhdistää ne vahvaksi ennustajaksi keskittymällä näytteisiin, jotka edelliset mallit luokittelivat väärin. Jokainen uusi heikko oppija painotetaan sen koulutustehtävän vaikeuden mukaan, ja lopulliset ennusteet tehdään painotetun äänestyksen avulla. Schapiren (1990) edelläkäynnistämä ja AdaBoostissa (Freund & Schapire, 1997) jalostettu boosting muuntaa heikot oppijat (tuskin parempia kuin satunnaiset) vahvoiksi oppijoiksi peräkkäisen uudelleenpainotuksen kautta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/fi/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.
- AdaBoostKoneoppiminen↔ compare
- Bagging-ensembleYhdistelmäoppiminen↔ compare
- Gradient BoostingKoneoppiminen↔ compare
- Majority VotingYhdistelmäoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →