Gradient Boosting Robusto
Il Gradient Boosting Robusto è un metodo di gradient boosting addestrato con funzioni di perdita resistenti agli outlier — più comunemente la perdita di Huber o la perdita quantile (pinball) — invece della perdita di errore quadratico. Proposto nell'articolo seminale di Friedman del 2001, questa variante produce previsioni molto meno distorte da valori estremi o etichette contaminate, pur mantenendo la piena capacità predittiva degli alberi con gradient boosting.
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.
+2 more
Fonti
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/it/machine-learning/robust-gradient-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.
- BoostingApprendimento automatico↔ compare
- Gradient BoostingApprendimento automatico↔ compare
- Random ForestApprendimento automatico↔ compare
- Gradient Boosting RegolarizzatoApprendimento automatico↔ compare
- Regressione Lineare RobustaApprendimento automatico↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →