Boosting Ensemble
Boosting é um método de ensemble que treina sequencialmente aprendizes fracos e os combina em um preditor forte, focando em amostras que modelos anteriores classificaram incorretamente. Cada novo aprendiz fraco é ponderado de acordo com a dificuldade de sua tarefa de treinamento, e as predições finais são feitas por votação ponderada. Pioneiro por Schapire (1990) e refinado em AdaBoost (Freund & Schapire, 1997), o boosting converte aprendizes fracos (pouco melhores que aleatórios) em aprendizes fortes através de reponderação sequencial.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/pt/ensemble-learning/boosting-ensemble
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.
- AdaBoostAprendizado de máquina↔ compare
- Bagging EnsembleAprendizado ensemble↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- Votação por MaioriaAprendizado ensemble↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →