Robust gradient boosting
Robust gradient boosting on gradientin vahvistusmenetelmä, joka on koulutettu poikkeaville havainnoille vastustuskykyisillä häviöfunktioilla – yleisimmin Huberin häviöllä tai kvantiilihäviöllä (pinball loss) neliövirhehäviön sijaan. Friedmanin uraauurtavassa vuoden 2001 artikkelissa ehdotettu variantti tuottaa ennusteita, jotka ovat paljon vähemmän vääristyneitä äärimmäisten arvojen tai virheellisten luokitusten vuoksi, säilyttäen samalla gradientin vahvistamien puiden täyden ennustevoiman.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Lähteet
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/fi/machine-learning/robust-gradient-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.
- BoostingKoneoppiminen↔ compare
- Gradient BoostingKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- Regularisoitu gradienttivahvistusKoneoppiminen↔ compare
- Robust Linear RegressionKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →