Boosting Robusto
O Boosting Robusto modifica algoritmos de boosting padrão — como AdaBoost ou gradient boosting — substituindo a perda exponencial ou quadrática padrão por funções de perda robustas (por exemplo, perdas de Huber, logística ou truncadas) ou incorporando mecanismos de tolerância a ruído, de modo que o ensemble permaneça preciso mesmo quando os dados de treinamento contêm outliers, ruído nos rótulos ou erros de cauda pesada.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/pt/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.
- BoostingAprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- Boosting RegularizadoAprendizado de máquina↔ compare
- Gradient Boosting RobustoAprendizado de máquina↔ compare
- Robust Random ForestAprendizado de máquina↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →