Machine learningMachine learning

Boosting

Boosting er en sekvensiell ensembleteknikk som konverterer mange enkle, knapt bedre-enn-tilfeldige lærende til en enkelt svært nøyaktig modell ved gjentatte ganger å fokusere treningen på eksemplene som tidligere lærende feilklassifiserte, og deretter kombinere alle lærende med vekter proporsjonale med deres individuelle nøyaktighet.

Åpne i MethodMindSnartVideoSnartDownload slides

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Method map

The neighbourhood of related methods — select a node to explore.

Boosting

Bagging (Bootstrap Aggre…Beslutningstre Gradient Boosting Random Forest Stemmeensemble XGBoost Aktiv læring med boosting Aktiv læringsstabling-en…Aktiv læring stemmekomit…Bayesian Bagging

+29 more

Kilder

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 ↗
Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197–227. DOI: 10.1007/BF00116037 ↗

Slik siterer du denne siden

ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/no/machine-learning/boosting

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.

Bagging (Bootstrap Aggregating)Maskinlæring↔ compare
BeslutningstreMaskinlæring↔ compare
Gradient BoostingMaskinlæring↔ compare
Random ForestMaskinlæring↔ compare
StemmeensembleMaskinlæring↔ compare
XGBoostMaskinlæring↔ compare

Compare side by side →

Referert av

Aktiv læring med boosting Aktiv læringsstabling-ensemble Aktiv læring stemmekomiteen Bayesian Bagging Bayesisk Boosting Bayesiansk stabling av ensemble Ensemble Active Learning Ensemble Apriori-algoritmen Ensemble Association Rules Ensemble Decision Tree Ensemble føderert læring Ensemble Few-Shot Learning kombinerer flere few-shot-modeller Ensemble Gaussisk Blandingsmodell Ensemble Logistic Regression Ensemble Naive Bayes Ensemble Online Læring Ensemble semi-supervised learning Ensemble Support Vector Machine Ensemble Transfer Learning Online Boosting Online Gradient Boosting Regularisert Boosting Regulert beslutningstre Regulert gradient-boosting Regularized Stacking Ensemble Robust Bagging Robust Boosting Robust Gradient Boosting Robust Stacking Ensemble Robust Stemmeensemble Selv-supervisert Boosting Semi-supervised Gradient Boosting Semi-supervised Voting Ensemble Stemmeensemble

Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →

Les hele metoden

Method map

Kilder

Slik siterer du denne siden

Relaterte metoder

Which method?

Referert av