Robusni Būsting
Robusni būsting modifikuje standardne būsting algoritme — kao što su AdaBoost ili gradijentni būsting — zamenom podrazumevanog eksponencijalnog ili kvadratnog gubitka robusnim funkcijama gubitka (npr. Huberov, logistički ili truncirani gubici) ili inkorporiranjem mehanizama tolerancije na šum, tako da ansambl ostaje precizan čak i kada podaci za obuku sadrže autlajere, šum u oznakama ili greške sa teškim repovima.
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
- Freund, Y. (2001). An adaptive version of the boost by majority algorithm. Machine Learning, 43(3), 293–318. DOI: 10.1023/A:1010852229904 ↗
- Mason, L., Baxter, J., Bartlett, P., & Frean, M. (2000). Boosting Algorithms as Gradient Descent. Advances in Neural Information Processing Systems (NIPS), 12, 512–518. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust Boosting (Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/sr/machine-learning/robust-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.
- BoostingMašinsko učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- Регуларизовано појачањеMašinsko učenje↔ compare
- Робусно појачање градијентаMašinsko učenje↔ compare
- Робусна насумична шумаMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →