Boosting Ensemble
Boosting er en ensemblemetode som sekvensielt trener svake læringsmodeller og kombinerer dem til en sterk prediktor ved å fokusere på utvalg som tidligere modeller klassifiserte feil. Hver nye svake læringsmodell vektlegges i henhold til vanskelighetsgraden av treningsoppgaven, og endelige prediksjoner gjøres via vektet avstemning. Metoden ble pionert av Schapire (1990) og raffinert i AdaBoost (Freund & Schapire, 1997), og booster konverterer svake læringsmodeller (knapt bedre enn tilfeldig) til sterke læringsmodeller gjennom sekvensiell re-vekting.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/no/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.
- AdaBoostMaskinlæring↔ compare
- Bagging EnsembleEnsemblelæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- MajoritetsstemmegivningEnsemblelæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →