Gradient Boosting Robuste
Le Gradient Boosting Robuste est un algorithme de gradient boosting entraîné avec des fonctions de perte résistantes aux valeurs aberrantes — le plus souvent la perte de Huber ou la perte quantile (pinball) — au lieu de la perte d'erreur quadratique. Proposée dans l'article séminal de Friedman en 2001, cette variante produit des prédictions beaucoup moins déformées par des valeurs extrêmes ou des étiquettes contaminées, tout en conservant la pleine puissance prédictive des arbres boostés par gradient.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/fr/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.
- BoostingApprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Gradient Boosting RégulariséApprentissage automatique↔ compare
- Régression linéaire robusteApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →