Wzmocnienie
Wzmocnienie (ang. Boosting) to sekwencyjna technika zespołowa, która przekształca wiele prostych, ledwo lepszych od przypadku modeli predykcyjnych w jeden wysoce dokładny model poprzez powtarzające się skupianie uczenia na przykładach, które poprzednie modele błędnie sklasyfikowały, a następnie łączenie wszystkich modeli z wagami proporcjonalnymi do ich indywidualnej dokładności.
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.
+29 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 ↗
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197–227. DOI: 10.1007/BF00116037 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/pl/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 (agregacja bootstrapowa)Uczenie maszynowe↔ compare
- Drzewo decyzyjneUczenie maszynowe↔ compare
- Gradient BoostingUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- Ensemble głosującyUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →