AdaBoost
AdaBoost (Adaptive Boosting) — это оригинальный алгоритм бустинга, представленный Йоавом Фройндом и Робертом Шапире в 1997 году, который объединяет последовательность простых слабых учеников, придавая больший вес наблюдениям, которые они ошибочно классифицируют. Предшественник градиентного бустинга, он прост, интерпретируем и является сильной базовой моделью для классификации.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). AdaBoost (Adaptive Boosting). ScholarGate. https://scholargate.app/ru/machine-learning/adaboost
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.
- Дерево решенийМашинное обучение↔ compare
- Логистическая регрессияСтатистика исследований↔ compare
- Случайный лесМашинное обучение↔ compare
- СтекингМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →