Robusni XGBoost
Robusni XGBoost kombinira skalabilni okvir gradijentnog pojačanja XGBoost s robusnim funkcijama gubitka — prvenstveno Huberovim gubitkom ili njegovim inačicama — kako bi se proizvelo stablo pojačano gradijentom koje odolijeva iskrivljujućem utjecaju odstupajućih vrijednosti. Zamjenom cilja najmanjih kvadrata pogrešaka funkcijom gubitka koja umanjuje velike ostatke, model daje pouzdane predikcije na kontinuiranim ciljevima čak i kada podaci za treniranje sadrže ekstremne vrijednosti ili šum u oznakama.
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
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/hr/machine-learning/robust-xgboost
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.
- Povećanje gradijentaStrojno učenje↔ compare
- Robusno pojačanje gradijentaStrojno učenje↔ compare
- Robust LightGBMStrojno učenje↔ compare
- Robustna linearna regresijaStrojno učenje↔ compare
- Robusna slučajna šumaStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →