AdaBoost
AdaBoost (Adaptive Boosting) to oryginalny algorytm boostingowy, wprowadzony przez Yoava Freunda i Roberta Schapire’a w 1997 roku, który łączy sekwencję prostych słabych uczących się modeli poprzez nadawanie większej wagi obserwacjom, które błędnie klasyfikują. Jest on prekursorem gradient boosting, prostym, interpretowalnym i silnym punktem odniesienia dla klasyfikacji.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). AdaBoost (Adaptive Boosting). ScholarGate. https://scholargate.app/pl/machine-learning/adaboost
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.
- Drzewo decyzyjneUczenie maszynowe↔ compare
- Regresja logistycznaStatystyka w badaniach↔ compare
- Random ForestUczenie maszynowe↔ compare
- StackingUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →