Pojačavanje (Boosting)
Pojačavanje je ansambl metoda koja sukcesivno obučava slabe učenike i kombinuje ih u snažnog prediktora fokusirajući se na uzorke koje su prethodni modeli pogrešno klasifikovali. Svaki novi slabi učenik se ponderiše prema težini njegovog zadatka obuke, a konačna predviđanja se donose putem ponderisanog glasanja. Pionirski rad započeo je Schapire (1990), a usavršen u AdaBoost-u (Freund & Schapire, 1997), pojačavanje pretvara slabe učenike (jedva bolje od slučajnih) u jake učenike kroz sukcesivno ponovno ponderisanje.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/sr/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.
- AdaBoostMašinsko učenje↔ compare
- Bagging EnsembleAnsambl učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- Većinsko glasanjeAnsambl učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →