Бустинг
Бустинг — это последовательная ансамблевая техника, которая преобразует множество простых, едва лучше случайного угадывания классификаторов в одну высокоточную модель, многократно фокусируя обучение на примерах, которые предыдущие классификаторы ошибочно классифицировали, а затем объединяя все классификаторы с весами, пропорциональными их индивидуальной точности.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+29 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 ↗
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197–227. DOI: 10.1007/BF00116037 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/ru/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.
- Бэггинг (Бутстрэп-агрегирование)Машинное обучение↔ compare
- Дерево решенийМашинное обучение↔ compare
- Градиентный бустингМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- Голосующая ансамблевая модельМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →