Boosting Ensemble
Boosting is een ensemblemethode die sequentieel zwakke leerders traint en deze combineert tot een sterke voorspeller door zich te richten op monsters die eerdere modellen verkeerd hebben geclassificeerd. Elke nieuwe zwakke leerder wordt gewogen op basis van de moeilijkheidsgraad van zijn trainingstaak, en uiteindelijke voorspellingen worden gedaan via gewogen stemming. Gepionierd door Schapire (1990) en verfijnd in AdaBoost (Freund & Schapire, 1997), zet boosting zwakke leerders (nauwelijks beter dan willekeurig) om in sterke leerders door sequentiële herweging.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/nl/ensemble-learning/boosting-ensemble
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.
- AdaBoostMachine learning↔ compare
- Bagging EnsembleEnsemble learning↔ compare
- Gradient BoostingMachine learning↔ compare
- MeerderheidsstemmingEnsemble learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →