Boosting
Boosting je sekvencijalna ansambl tehnika koja pretvara mnoge jednostavne, jedva bolje od slučajnih, modele učenja u jedan visoko precizan model ponovnim fokusiranjem obuke na primjere koje su prethodni modeli pogrešno klasificirali, a zatim kombiniranjem svih modela s utezima proporcionalnim njihovoj pojedinačnoj točnosti.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+29 more
Izvori
- 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 ↗
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197–227. DOI: 10.1007/BF00116037 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/hr/machine-learning/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.
- Bagging (Bootstrap Aggregating)Strojno učenje↔ compare
- Stablo odlučivanjaStrojno učenje↔ compare
- Povećanje gradijentaStrojno učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
- Glasački sklopStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →