Boosting Ensemble
Boosting är en ensemblemetod som sekventiellt tränar svaga inlärningsmodeller och kombinerar dem till en stark prediktor genom att fokusera på sampel som tidigare modeller klassificerat fel. Varje ny svag inlärningsmodell viktas enligt svårighetsgraden för dess träningsuppgift, och slutgiltiga prediktioner görs genom vägd omröstning. Metoden, som pionjärades av Schapire (1990) och förfinades i AdaBoost (Freund & Schapire, 1997), omvandlar svaga inlärningsmodeller (knappt bättre än slumpen) till starka inlärningsmodeller genom sekventiell omviktning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/sv/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.
- AdaBoostMaskininlärning↔ compare
- Bagging EnsembleEnsembleinlärning↔ compare
- Gradient BoostingMaskininlärning↔ compare
- MajoritetsröstningEnsembleinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →