Robusztus Boosting
A robusztus boosting módosítja a standard boosting algoritmusokat – mint például az AdaBoost vagy a gradiens boosting – azáltal, hogy az alapértelmezett exponenciális vagy négyzetes veszteségfüggvényt robusztus veszteségfüggvényekkel (pl. Huber, logisztikus vagy csonkolt veszteségfüggvényekkel) helyettesíti, vagy zajtűrő mechanizmusokat épít be, így az együttes akkor is pontos marad, ha a tréningadatok kiugró értékeket, címkezajt vagy vastagfarkú hibákat tartalmaznak.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/hu/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.
- BoostingGépi tanulás↔ compare
- Gradient BoostingGépi tanulás↔ compare
- Regularizált BoostingGépi tanulás↔ compare
- Robuszt Gradient BoostingGépi tanulás↔ compare
- Robust Random ForestGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →