XGBoost Robust

XGBoost Robust menggabungkan kerangka kerja gradient boosting yang dapat diskalakan dari XGBoost dengan fungsi kerugian (loss function) yang robust — terutama Huber loss atau variasinya — untuk menghasilkan ensemble pohon yang di-boost secara gradien yang menahan pengaruh pengganggu (outlier) yang mendistorsi. Dengan mengganti tujuan (objective) kuadratik galat (squared-error) dengan kerugian yang mengurangi bobot residu besar, model ini memberikan prediksi yang andal pada target kontinu bahkan ketika data pelatihan mengandung nilai ekstrem atau kebisingan label (label noise).