Pojacavanje (Boosting)
Pojacavanje je ansamblna metoda koja sekvencijalno trenira slabe ucitelje i kombinira ih u snaznog prediktora fokusiranjem na uzorke koje su prethodni modeli pogresno klasificirali. Svaki novi slabi ucitelj ponderira se prema tezini zadatka ucenja, a konacne predikcije donose se putem ponderiranog glasovanja. Pionirski ju je razvio Schapire (1990.) i usavrsio u AdaBoostu (Freund & Schapire, 1997.), a pojacavanje pretvara slabe ucitelje (jedva bolje od slucajnih) u snazne ucitelje kroz sekvencijalno ponovno ponderiranje.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119-139. DOI: 10.1006/jcss.1997.1504 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/hr/ensemble-learning/boosting-ensemble
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.
- AdaBoostStrojno učenje↔ compare
- Bagging EnsembleAnsambl učenje↔ compare
- Povećanje gradijentaStrojno učenje↔ compare
- Većinsko glasovanjeAnsambl učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →