Robuszt XGBoost
A Robuszt XGBoost az XGBoost skálázható gradiens-kiemelési keretrendszerét ötvözi robusztus veszteségfüggvényekkel – elsősorban a Huber-veszteséggel vagy annak változataival –, hogy olyan gradiens-kiemelt fa-együttest hozzon létre, amely ellenáll a kiugró értékek torzító hatásának. A négyzetes hiba célfüggvényének lecserélésével egy olyan veszteségfüggvényre, amely lecsökkenti a nagy maradékok súlyát, a modell megbízható előrejelzéseket ad a folytonos célváltozókra, még akkor is, ha a tanító adatok extrém értékeket vagy címkezajt 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
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/hu/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.
- Gradient BoostingGépi tanulás↔ compare
- Robuszt Gradient BoostingGépi tanulás↔ compare
- Robusztus LightGBMGépi tanulás↔ compare
- Robusztus lineáris regresszióGépi tanulás↔ compare
- Robust Random ForestGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →