Zosilnenie (Boosting)
Zosilnenie je ansámblová metóda, ktorá sekvenčne trénuje slabé učiteľov a kombinuje ich do silného prediktora zameraním sa na vzorky, ktoré predchádzajúce modely nesprávne klasifikovali. Každý nový slabý učiteľ je vážený podľa obtiažnosti svojej tréningovej úlohy a konečné predikcie sa vykonávajú prostredníctvom váženého hlasovania. Priekopníkom bol Schapire (1990) a metóda bola zdokonalená v AdaBoost (Freund & Schapire, 1997). Zosilnenie premieňa slabých učiteľov (len o málo lepší ako náhodní) na silných učiteľov prostredníctvom sekvenčného preváženia.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/sk/ensemble-learning/boosting-ensemble
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.
- AdaBoostStrojové učenie↔ compare
- Bagging EnsembleAnsámblové učenie↔ compare
- Gradient BoostingStrojové učenie↔ compare
- Hlasovanie väčšinyAnsámblové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →