Boosting Ensemble
Il boosting è un metodo ensemble che addestra sequenzialmente "weak learner" (apprenditori deboli) e li combina in un predittore forte, concentrandosi sui campioni che i modelli precedenti hanno classificato erroneamente. Ogni nuovo "weak learner" viene pesato in base alla difficoltà del suo compito di addestramento, e le previsioni finali sono effettuate tramite votazione ponderata. Introdotto da Schapire (1990) e perfezionato in AdaBoost (Freund & Schapire, 1997), il boosting converte "weak learner" (appena migliori del caso) in "strong learner" (apprenditori forti) attraverso una riponderazione sequenziale.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/it/ensemble-learning/boosting-ensemble
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.
- [UNTRANSLATED: AdaBoost]Apprendimento automatico↔ compare
- Bagging EnsembleApprendimento ensemble↔ compare
- Gradient BoostingApprendimento automatico↔ compare
- Voto a MaggioranzaApprendimento ensemble↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →