Robustā pastiprināšana
Robustā pastiprināšana modificē standarta pastiprināšanas algoritmus — piemēram, AdaBoost vai gradientu pastiprināšanu — aizstājot noklusējuma eksponenciālo vai kvadrātisko zudumu ar robustiem zudumu funkcijām (piemēram, Hubera, loģistiskajiem vai saīsinātajiem zudumiem) vai iekļaujot trokšņu tolerances mehānismus, lai ansamblis saglabātu precizitāti pat tad, ja apmācības dati satur novērtējumus, etiķešu troksni vai smagāku kļūdu sadalījumu.
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
- Freund, Y. (2001). An adaptive version of the boost by majority algorithm. Machine Learning, 43(3), 293–318. DOI: 10.1023/A:1010852229904 ↗
- Mason, L., Baxter, J., Bartlett, P., & Frean, M. (2000). Boosting Algorithms as Gradient Descent. Advances in Neural Information Processing Systems (NIPS), 12, 512–518. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/lv/machine-learning/robust-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.
- PastiprināšanaMašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Regularizēta pastiprināšanaMašīnmācīšanās↔ compare
- Robustais gradientu pastiprinājumsMašīnmācīšanās↔ compare
- Robust Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →