Boosting
Boosting je sekvencijalna ansambl tehnika koja pretvara mnoge jednostavne, jedva bolje od slučajnih klasifikatore u jedan visoko precizan model tako što ponovljeno fokusira obuku na primerima koje su prethodni klasifikatori pogrešili, a zatim kombinuje sve klasifikatore sa težinama proporcionalnim njihovoj individualnoj tačnosti.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+29 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 ↗
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197–227. DOI: 10.1007/BF00116037 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/sr/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.
- Bagging (Bootstrap Aggregating)Mašinsko učenje↔ compare
- Дрво одлучивањаMašinsko učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- Glasački ansamblMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →