XGBoost Robusto

XGBoost Robusto combina il framework scalabile di gradient boosting di XGBoost con funzioni di perdita robuste — principalmente la funzione di perdita di Huber o le sue varianti — per produrre un ensemble di alberi potenziati dal gradiente che resiste all'influenza distorcente degli outlier. Sostituendo l'obiettivo dell'errore quadratico con una perdita che riduce il peso dei residui grandi, il modello fornisce previsioni affidabili su target continui anche quando i dati di addestramento contengono valori estremi o rumore nelle etichette.