Boosting
Boosting é uma técnica de ensemble sequencial que converte muitos aprendizes simples, mal melhores que o acaso, em um único modelo de alta precisão, focando repetidamente o treinamento nos exemplos que aprendizes anteriores erraram, e então combinando todos os aprendizes com pesos proporcionais à sua precisão individual.
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.
+29 more
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/pt/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 (Bootstrap Aggregating)Aprendizado de máquina↔ compare
- Árvore de DecisãoAprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
- Comitê de VotaçãoAprendizado de máquina↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →