Boosting Ensemble
Boosting เป็นวิธีการแบบ Ensemble ที่ฝึกฝนตัวเรียนรู้ที่อ่อนแอ (weak learners) อย่างต่อเนื่อง และรวมตัวเรียนรู้เหล่านั้นเข้าด้วยกันเพื่อสร้างตัวทำนายที่แข็งแกร่ง (strong predictor) โดยมุ่งเน้นไปที่ตัวอย่างที่โมเดลก่อนหน้าจำแนกผิดพลาด ตัวเรียนรู้ที่อ่อนแอแต่ละตัวใหม่จะได้รับน้ำหนักตามความยากของงานฝึกฝน และการทำนายขั้นสุดท้ายจะทำผ่านการลงคะแนนแบบถ่วงน้ำหนัก Boosting ซึ่งริเริ่มโดย Schapire (1990) และปรับปรุงใน AdaBoost (Freund & Schapire, 1997) เป็นการแปลงตัวเรียนรู้ที่อ่อนแอ (ที่แทบจะดีกว่าการสุ่ม) ให้กลายเป็นตัวเรียนรู้ที่แข็งแกร่งผ่านการถ่วงน้ำหนักแบบต่อเนื่อง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/th/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.
- AdaBoostการเรียนรู้ของเครื่อง↔ compare
- การรวมกลุ่มแบบแบ็กกิงการเรียนรู้แบบรวมกลุ่ม↔ compare
- การเสริมกำลังไล่ระดับการเรียนรู้ของเครื่อง↔ compare
- การลงคะแนนเสียงข้างมากการเรียนรู้แบบรวมกลุ่ม↔ compare