Robust Decision Tree
Robust Decision Tree ir lēmumu koku variants, kas tiek apmācīts ar modificētiem sadalīšanas kritērijiem vai apmācības procedūrām, lai samazinātu jutīgumu pret ārkārtējiem novērojumiem (outliers), kļūdām datu iezīmēšanā (label noise) un pretinieciskiem traucējumiem (adversarial perturbations). Tā vietā, lai minimizētu standarta neattīrītības mērus, ko spēcīgi ietekmē ārkārtējas vērtības, robustie varianti izmanto statistiski robustus analogus vai regularizāciju, lai radītu sadalījumus, kas vispārinās trokšņainu vai bojātu datu apstākļos.
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
- Chen, H., & Nan, F. (2019). Robust Decision Trees Against Adversarial Examples. Proceedings of the 36th International Conference on Machine Learning (ICML), PMLR 97, 1006–1015. link ↗
- Hubert, M., & Debruyne, M. (2010). Minimum covariance determinant. Wiley Interdisciplinary Reviews: Computational Statistics, 2(1), 36–43. (background on robust estimation applied to tree splitting criteria) DOI: 10.1002/wics.61 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Decision Tree (Outlier-Resistant Tree Induction). ScholarGate. https://scholargate.app/lv/machine-learning/robust-decision-tree
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
- Extra TreesMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Regulārizēts lēmumu koksMašīnmācīšanās↔ compare
- Robustais gradientu pastiprinājumsMašīnmācīšanās↔ compare
- Robust Random ForestMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →