Robust Gradient Boosting

Robust Gradient Boosting är gradient boosting tränad med utliggarresistenta förlustfunktioner – oftast Huber-förlusten eller kvantil(pinball)-förlusten – istället för kvadratfel-förlust. Denna variant, som föreslogs i Friedmans banbrytande artikel från 2001, ger prediktioner som är betydligt mindre förvrängda av extrema värden eller kontaminerade etiketter, samtidigt som den bibehåller den fulla prediktiva kraften hos gradient-boostade träd.