Boosting
A Boosting egy szekvenciális ensemble technika, amely sok gyenge, alig esélyt meghaladó tanulót alakít át egyetlen, nagy pontosságú modellel oly módon, hogy ismételten azokra a példákra összpontosítja a tanítást, amelyeket az előző tanulók hibásan osztályoztak, majd az összes tanulót súlyozza az egyéni pontosságukkal arányosan.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+29 more
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/hu/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)Gépi tanulás↔ compare
- Döntési faGépi tanulás↔ compare
- Gradient BoostingGépi tanulás↔ compare
- Véletlen erdőGépi tanulás↔ compare
- Voting EnsembleGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →