Robust XGBoost
Robust XGBoost apvieno XGBoost mērogojamo gradientu pastiprināšanas sistēmu ar robustām zudumu funkcijām — galvenokārt Hjubera zudumu vai tā variantus — lai izveidotu gradientu pastiprinātu koku ansambli, kas ir izturīgs pret ārkārtēju vērtību izkropļojošo ietekmi. Aizstājot kvadrātiskās kļūdas mērķi ar zudumu, kas samazina lielu atlikumu ietekmi, modelis nodrošina uzticamus prognozes nepārtrauktiem mērķiem pat tad, ja apmācības datos ir ārkārtējas vērtības vai trokšņaini dati.
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, 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/lv/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.
- Gradient BoostingMašīnmācīšanās↔ compare
- Robustais gradientu pastiprinājumsMašīnmācīšanās↔ compare
- Robustais LightGBMMašīnmācīšanās↔ compare
- Robustā lineārā regresijaMašīnmācīšanās↔ compare
- Robust Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →