Solidne zwiększanie (Robust Boosting)
Robust Boosting modyfikuje standardowe algorytmy boostingowe — takie jak AdaBoost czy gradient boosting — poprzez zastąpienie domyślnej funkcji straty wykładniczej lub kwadratowej odpornymi funkcjami straty (np. Huber, logistyczną lub obciętą) lub poprzez włączenie mechanizmów tolerancji na szum, tak aby zespół pozostał dokładny nawet wtedy, gdy dane treningowe zawierają wartości odstające, szum w etykietach lub błędy o grubych ogonach.
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.
Źródła
- Freund, Y. (2001). An adaptive version of the boost by majority algorithm. Machine Learning, 43(3), 293–318. DOI: 10.1023/A:1010852229904 ↗
- Mason, L., Baxter, J., Bartlett, P., & Frean, M. (2000). Boosting Algorithms as Gradient Descent. Advances in Neural Information Processing Systems (NIPS), 12, 512–518. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/pl/machine-learning/robust-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.
- WzmocnienieUczenie maszynowe↔ compare
- Gradient BoostingUczenie maszynowe↔ compare
- Regularyzowane wzmacnianieUczenie maszynowe↔ compare
- Robust Gradient BoostingUczenie maszynowe↔ compare
- Robust Random ForestUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →