AdaBoost
AdaBoost (Adaptive Boosting) ir oriģinālais boosting algoritms, ko 1997. gadā ieviesa Yoav Freund un Robert Schapire un kas apvieno secīgus vienkāršus vājos mācītājus, piešķirot lielāku svaru novērojumiem, kuros tie kļūdās. Tas ir gradient boosting priekštecis, vienkāršs, interpretējams un spēcīgs klasifikācijas bāzes modelis.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Avoti
- 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 1). AdaBoost (Adaptive Boosting). ScholarGate. https://scholargate.app/lv/machine-learning/adaboost
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.
- Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
- Logistiskā regresijaPētniecības statistika↔ compare
- Random ForestMašīnmācīšanās↔ compare
- StackingMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →