AdaBoost
AdaBoost (Adaptivno pojačavanje) je originalni algoritam pojačavanja, koji su 1997. godine predstavili Yoav Freund i Robert Schapire, a koji kombinuje niz jednostavnih slabih učitelja dajući veću težinu zapažanjima koja pogrešno klasifikuje. Preteča gradijentnog pojačavanja, jednostavan je, interpretativan i snažna osnovna linija za klasifikaciju.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Izvori
- 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 1). AdaBoost (Adaptive Boosting). ScholarGate. https://scholargate.app/sr/machine-learning/adaboost
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.
- Дрво одлучивањаMašinsko učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- StekingMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →