Robuuste XGBoost
Robuuste XGBoost combineert het schaalbare gradient boosting-raamwerk van XGBoost met robuuste verliesfuncties — voornamelijk de Huber-verliesfunctie of varianten daarvan — om een gradient boosted tree-ensemble te produceren dat bestand is tegen de verstorende invloed van uitschieters. Door de kwadratische-foutdoelstelling te vervangen door een verliesfunctie die grote residuen minder gewicht toekent, levert het model betrouwbare voorspellingen voor continue doelen, zelfs wanneer de trainingsgegevens extreme waarden of labelruis bevatten.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/nl/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 BoostingMachine learning↔ compare
- Robuuste Gradient BoostingMachine learning↔ compare
- Robuuste LightGBMMachine learning↔ compare
- Robuuste Lineaire RegressieMachine learning↔ compare
- Robuuste Random ForestMachine learning↔ compare
- XGBoostMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →