Boosting
Boosting je sekvenčná ansámblová technika, ktorá transformuje mnoho jednoduchých učiacich sa modelov, len o málo lepších ako náhodné hádanie, na jeden vysoko presný model. Robí to opakovaným zameriavaním tréningu na príklady, ktoré predchádzajúce modely nesprávne klasifikovali, a následným kombinovaním všetkých modelov s váhami úmernými ich individuálnej presnosti.
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.
+29 more
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/sk/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.
- Bagging (Bootstrap Aggregating)Strojové učenie↔ compare
- Rozhodovací stromStrojové učenie↔ compare
- Gradient BoostingStrojové učenie↔ compare
- Náhodný lesStrojové učenie↔ compare
- Hlasovacie zoskupenieStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →