Peningkatan Kecerunan Teguh
Peningkatan Kecerunan Teguh ialah peningkatan kecerunan yang dilatih dengan fungsi kerugian kalis-terpencil — paling lazim kerugian Huber atau kerugian kuantil (pinball) — dan bukannya kerugian ralat kuasa dua. Dicadangkan dalam kertas kerja Friedman yang penting pada tahun 2001, varian ini menghasilkan ramalan yang jauh kurang herot oleh nilai ekstrem atau label tercemar, sambil mengekalkan kuasa ramalan penuh pokok yang ditingkatkan kecerunan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Sumber
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/ms/machine-learning/robust-gradient-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.
- BoostingPembelajaran Mesin↔ compare
- Peningkatan CerunPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
- Peningkatkan Cerun TerperaturanPembelajaran Mesin↔ compare
- Regresi Linear RobasPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →