Machine learningMachine learning
Robust XGBoost
Robust XGBoost는 XGBoost의 확장 가능한 그래디언트 부스팅 프레임워크를 강건한 손실 함수(주로 Huber 손실 또는 그 변형)와 결합하여, 이상치의 왜곡 영향에 저항하는 그래디언트 부스팅 트리 앙상블을 생성합니다. 제곱 오차 목적 함수를 큰 잔차의 영향을 줄이는 손실 함수로 대체함으로써, 훈련 데이터에 극단값이나 레이블 노이즈가 포함되어 있어도 연속형 타겟에 대해 신뢰할 수 있는 예측을 제공합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/ko/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.
- 그래디언트 부스팅머신러닝↔ compare
- Robust Gradient Boosting머신러닝↔ compare
- Robust LightGBM머신러닝↔ compare
- 강건 선형 회귀머신러닝↔ compare
- 로버스트 랜덤 포레스트머신러닝↔ compare
- XGBoost머신러닝↔ compare