AdaBoost
AdaBoost (Adaptive Boosting) är den ursprungliga boosting-algoritmen, introducerad av Yoav Freund och Robert Schapire 1997, som kombinerar en sekvens av enkla svaga inlärningsmodeller genom att ge mer vikt åt de observationer de missar. Den är föregångaren till gradient boosting, enkel, tolkningsbar och en stark baslinje för klassificering.
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.
+2 more
Källor
- 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 1). AdaBoost (Adaptive Boosting). ScholarGate. https://scholargate.app/sv/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.
- BeslutsträdMaskininlärning↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskininlärning↔ compare
- StackingMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →