Machine learningMachine learning

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.

Otvoriť v MethodMindČoskoroVideoČoskoroDownload slides

Prečítať celú metódu

Len pre členov

Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.

Prihlásiť sa

Method map

The neighbourhood of related methods — select a node to explore.

+29 more

Zdroje

  1. 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
  2. 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.

Compare side by side

Odkazujú sem

ScholarGateBoosting (Boosting (Ensemble of Sequentially Weighted Weak Learners)). Získané 2026-06-15 z https://scholargate.app/sk/machine-learning/boosting · Dátová sada: https://doi.org/10.5281/zenodo.20539026