Robustný XGBoost
Robustný XGBoost kombinuje škálovateľný rámec gradientového boostingu XGBoost s robustnými stratovými funkciami – predovšetkým Huberovou stratou alebo jej variantmi – s cieľom vytvoriť súbor stromov s gradientovým boostingom, ktorý odoláva skresľujúcemu vplyvu odľahlých hodnôt. Nahradením cieľa založeného na štvorcovej chybe stratou, ktorá znižuje váhu veľkých rezíduí, model poskytuje spoľahlivé predpovede pre spojité ciele, aj keď trénovacie dáta obsahujú extrémne hodnoty alebo šum v označeniach.
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
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/sk/machine-learning/robust-xgboost
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.
- Gradient BoostingStrojové učenie↔ compare
- Robustný Gradient BoostingStrojové učenie↔ compare
- Robust LightGBMStrojové učenie↔ compare
- Robustná lineárna regresiaStrojové učenie↔ compare
- Robust Random ForestStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →