Робастное стекирование ансамблей

Робастное стекирование ансамблей расширяет классическую стекированную генерализацию, заменяя обычный мета-учитель (meta-learner) робастным оценщиком — таким как регрессор с функцией потерь Хьюбера, квантильная регрессия или модель, обученная на усеченных остатках — чтобы слой комбинации ансамбля был устойчив к выбросам и шумящим предсказаниям базовых учителей. Это улучшает точность предсказаний и надежность на реальных наборах данных с загрязненными метками или распределениями ошибок с тяжелыми хвостами.