Pastipināšanas ansamblis
Pastipināšana ir ansambļa metode, kas secīgi apmāca vājus apguvējus un apvieno tos spēcīgā prognozētājā, koncentrējoties uz paraugiem, ko iepriekšējie modeļi kļūdaini klasificēja. Katrs jaunais vājais apguvējs tiek svērts atbilstoši tā apmācības uzdevuma grūtībai, un galīgie prognozes tiek veiktas, izmantojot svērto balsošanu. Šo metodi aizsāka Schapire (1990) un pilnveidoja AdaBoost (Freund & Schapire, 1997). Pastipināšana pārvērš vājus apguvējus (tikai nedaudz labākus par nejaušiem) spēcīgos apguvējos, izmantojot secīgu pārsvarošanu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/lv/ensemble-learning/boosting-ensemble
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.
- AdaBoostMašīnmācīšanās↔ compare
- Bagging EnsembleAnsambļu mācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Balsojums vairākumāAnsambļu mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →