Machine learningMachine learning
ロバストXGBoost
ロバストXGBoostは、XGBoostのスケーラブルな勾配ブースティングフレームワークと、主にフーバー損失またはその変種であるロバスト損失関数を組み合わせることで、外れ値の歪んだ影響に抵抗する勾配ブーストツリーアンサンブルを生成します。二乗誤差目的関数を、大きな残差の重みを小さくする損失に置き換えることで、モデルは、訓練データに極端な値やラベルノイズが含まれていても、連続ターゲットに対して信頼性の高い予測を提供します。
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.
出典
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
このページの引用方法
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/ja/machine-learning/robust-xgboost
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.
- 勾配ブースティング機械学習↔ compare
- ロバスト勾配ブースティング機械学習↔ compare
- ロバストLightGBM機械学習↔ compare
- ロバスト線形回帰機械学習↔ compare
- ロバスト・ランダム・フォレスト機械学習↔ compare
- XGBoost機械学習↔ compare