Robuust Stacking Ensemble

Robuust Stacking Ensemble breidt klassieke stacked generalization uit door de gewone meta-learner te vervangen door een robuuste schatter — zoals een Huber-loss regressor, kwantielregressie, of een model getraind op getrimde residuen — zodat de combinatielaag van het ensemble bestand is tegen uitschieters en ruisende voorspellingen van de basis-learner. Het verbetert de voorspellende nauwkeurigheid en betrouwbaarheid op datasets uit de praktijk met gecontamineerde labels of error-distributies met zware staarten.