Robustni XGBoost
Robustni XGBoost kombinuje skalabilni mejnstrim (gradient boosting) okvira XGBoost-a sa robusnim funkcijama gubitka — primarno Huberovim gubitkom ili njegovim varijantama — kako bi se proizveo skup stabala pojačanih mejnstrimom koji odoleva izobličavajućem uticaju autlajera. Zamenom cilja najmanjih kvadrata greške funkcijom gubitka koja umanjuje velike reziduale, model daje pouzdane predikcije na neprekidnim ciljevima čak i kada podaci za obuku sadrže ekstremne vrednosti ili šum u oznakama.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/sr/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.
- Градијентно појачањеMašinsko učenje↔ compare
- Робусно појачање градијентаMašinsko učenje↔ compare
- Робусни ЛајтГБМMašinsko učenje↔ compare
- Робусна линеарна регресијаMašinsko učenje↔ compare
- Робусна насумична шумаMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →