Robuuste Gradient Boosting
Robuuste Gradient Boosting is gradient boosting getraind met outlier-resistente verliesfuncties — meestal de Huber-verliesfunctie of kwantielverlies (pinbal-verlies) — in plaats van kwadratische-foutverlies. Voorgesteld in Friedmans baanbrekende artikel uit 2001, produceert deze variant voorspellingen die veel minder worden vervormd door extreme waarden of gecontamineerde labels, terwijl de volledige voorspellende kracht van gradient-boosted trees behouden blijft.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
+2 meer
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/nl/machine-learning/robust-gradient-boosting
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- BoostingMachine learning↔ vergelijken
- Gradient BoostingMachine learning↔ vergelijken
- Random ForestMachine learning↔ vergelijken
- Reguliere Gradient BoostingMachine learning↔ vergelijken
- Robuuste Lineaire RegressieMachine learning↔ vergelijken
- XGBoostMachine learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →