Boosting
Boosting on sekventiaalinen ansamblitekniikka, joka muuntaa monet yksinkertaiset, tuskin sattumaa paremmat oppijat yhdeksi erittäin tarkaksi malliksi keskittämällä koulutuksen toistuvasti niihin esimerkkeihin, jotka edelliset oppijat luokittelivat väärin, ja yhdistämällä sitten kaikki oppijat painoilla, jotka ovat verrannollisia niiden yksilölliseen tarkkuuteen.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+29 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/fi/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.
- Bagging (Bootstrap Aggregating)Koneoppiminen↔ compare
- PäätöspuuKoneoppiminen↔ compare
- Gradient BoostingKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- Ääniennuste (Voting Ensemble)Koneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →