Machine learningMachine learning
ブースティング
ブースティングは、逐次的なアンサンブル手法であり、前の学習器が誤った例に繰り返し焦点を当てることで、かろうじて正解を上回る程度の多くの単純な学習器を、単一の高精度モデルに変換します。そして、個々の学習器の精度に比例した重みで、それらすべてを結合します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
+29 more
出典
- 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 ↗
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197–227. DOI: 10.1007/BF00116037 ↗
このページの引用方法
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/ja/machine-learning/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.
- バギング（ブートストラップ集約）機械学習↔ compare
- 決定木機械学習↔ compare
- 勾配ブースティング機械学習↔ compare
- ランダムフォレスト機械学習↔ compare
- 投票アンサンブル機械学習↔ compare
- XGBoost機械学習↔ compare
この手法を参照する項目
アクティブラーニングブースティングアクティブラーニング・スタッキング・アンサンブルアクティブラーニング投票アンサンブルベイジアン・バギングベイズブースティングベイジアン・スタッキング・アンサンブルアンサンブル・アクティブ・ラーニングアンサンブルAprioriアルゴリズムアンサンブル関連規則アンサンブル決定木アンサンブル連合学習アンサンブル少数ショット学習アンサンブル混合ガウスモデルアンサンブルロジスティック回帰アンサンブル ナイーブベイズアンサンブルオンライン学習アンサンブル半教師あり学習アンサンブルサポートベクターマシンアンサンブル転移学習オンラインブースティングオンライン勾配ブースティング正則化ブースティング正則化決定木正則化勾配ブースティング正則化スタッキングアンサンブルロバストバギングロバストブースティングロバスト勾配ブースティングロバストスタッキングアンサンブルロバスト投票アンサンブル自己教師ありブースティング半教師あり勾配ブースティング半教師あり投票アンサンブル投票アンサンブル