Robust Gradient Boosting
Robust Gradient Boosting to gradient boosting trenowany z użyciem odpornych na wartości odstające funkcji straty — najczęściej straty Hubera lub kwantylowej (pinball) — zamiast straty błędu kwadratowego. Zaproponowany w przełomowym artykule Friedmana z 2001 roku, ten wariant generuje predykcje znacznie mniej zniekształcone przez ekstremalne wartości lub zanieczyszczone etykiety, zachowując jednocześnie pełną moc predykcyjną drzew wzmacnianych gradientowo.
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
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/pl/machine-learning/robust-gradient-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
- Random ForestUczenie maszynowe↔ compare
- Uregulowany gradientowy boostingUczenie maszynowe↔ compare
- Regresja liniowa odpornaUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →