XGBoost Robuste

Le XGBoost robuste combine le cadre d'apprentissage par gradient (gradient boosting) évolutif de XGBoost avec des fonctions de perte robustes — principalement la perte de Huber ou ses variantes — pour produire un ensemble d'arbres de décision par gradient boosting qui résiste à l'influence déformante des valeurs aberrantes. En remplaçant l'objectif de l'erreur quadratique par une fonction de perte qui sous-pondère les résidus importants, le modèle fournit des prédictions fiables sur des cibles continues même lorsque les données d'entraînement contiennent des valeurs extrêmes ou du bruit dans les étiquettes.