XGBoost i Fortë
XGBoost i Fortë kombinon kuadrin e përshpejtimit të gradientit të shkallëzueshëm të XGBoost me funksione humbjeje të forta — kryesisht humbjen Huber ose variantet e saj — për të prodhuar një grup pemësh të përshpejtuara me gradient që i reziston ndikimit shtrembërues të pikave ekstreme. Duke zëvendësuar objektivin e gabimit katror me një humbje që zvogëlon ndjeshëm mbetjet e mëdha, modeli ofron parashikime të besueshme në objektiva të vazhdueshëm edhe kur të dhënat e trajnimit përmbajnë vlera ekstreme ose zhurmë etiketash.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/sq/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.
- Përmbledhja me Gradient (Gradient Boosting)Mësimi i makinës↔ compare
- Përmirësimi i Pjerrëtuesit të FortëMësimi i makinës↔ compare
- LightGBM i QëndrueshëmMësimi i makinës↔ compare
- Regresioni linear robustMësimi i makinës↔ compare
- Pylli i Rastësishëm Robust (Robust Random Forest)Mësimi i makinës↔ compare
- XGBoostMësimi i makinës↔ compare
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →