Solidny XGBoost
Solidny XGBoost łączy skalowalną architekturę gradient boosting XGBoost z odpornymi funkcjami straty – głównie stratą Hubera lub jej wariantami – w celu uzyskania zespołu drzew gradient boosting, który jest odporny na zniekształcające wpływy wartości odstających. Poprzez zastąpienie celu minimalizacji błędu kwadratowego funkcją straty, która zmniejsza wagę dużych błędów resztkowych, model dostarcza wiarygodnych predykcji dla zmiennych ciągłych, nawet gdy dane treningowe zawierają wartości ekstremalne lub szum w etykietach.
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
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/pl/machine-learning/robust-xgboost
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.
- Gradient BoostingUczenie maszynowe↔ compare
- Robust Gradient BoostingUczenie maszynowe↔ compare
- Robust LightGBMUczenie maszynowe↔ compare
- Regresja liniowa odpornaUczenie maszynowe↔ compare
- Robust Random ForestUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →