Empilement robuste ensembliste

L'empilement robuste ensembliste étend la généralisation empilée classique en remplaçant le méta-apprenant ordinaire par un estimateur robuste — tel qu'un régresseur à perte de Huber, une régression quantile, ou un modèle entraîné sur des résidus tronqués — de sorte que la couche de combinaison de l'ensemble soit résistante aux valeurs aberrantes et aux prédictions bruitées des apprenants de base. Il améliore la précision prédictive et la fiabilité sur des ensembles de données du monde réel avec des étiquettes contaminées ou des distributions d'erreurs à queues lourdes.