Robust XGBoost
Robust XGBoost yhdistää XGBoostin skaalautuvan gradienttivahvistuskehyksen robustien häviöfunktioiden – pääasiassa Huberin häviön tai sen varianttien – kanssa tuottaakseen gradienttivahvistetun puuryhmän, joka vastustaa poikkeavien arvojen vääristävää vaikutusta. Korvaamalla neliövirheen tavoitefunktio häviöllä, joka vähentää suurten residuaalien painoarvoa, malli tuottaa luotettavia ennusteita jatkuville kohdemuuttujille, vaikka harjoitusdata sisältäisi äärimmäisiä arvoja tai kohinaa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/fi/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.
- Gradient BoostingKoneoppiminen↔ compare
- Robust gradient boostingKoneoppiminen↔ compare
- Robust LightGBMKoneoppiminen↔ compare
- Robust Linear RegressionKoneoppiminen↔ compare
- Robust Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →