Robust Boosting
Robust Boosting modificira standardne algoritme pojačanja — kao što su AdaBoost ili gradijentno pojačanje — zamjenom zadane eksponencijalne ili kvadratne funkcije gubitka robustnim funkcijama gubitka (npr. Huber, logistički ili odsječeni gubitak) ili uvođenjem mehanizama otpornosti na šum, tako da ansambl ostaje točan čak i kada podaci za treniranje sadržavaju odstupajuće vrijednosti, šum u oznakama ili pogreške s teškim repovima.
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
- Freund, Y. (2001). An adaptive version of the boost by majority algorithm. Machine Learning, 43(3), 293–318. DOI: 10.1023/A:1010852229904 ↗
- Mason, L., Baxter, J., Bartlett, P., & Frean, M. (2000). Boosting Algorithms as Gradient Descent. Advances in Neural Information Processing Systems (NIPS), 12, 512–518. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/hr/machine-learning/robust-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.
- BoostingStrojno učenje↔ compare
- Povećanje gradijentaStrojno učenje↔ compare
- Regulirani pojačani algoritamStrojno učenje↔ compare
- Robusno pojačanje gradijentaStrojno učenje↔ compare
- Robusna slučajna šumaStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →