Бустинг (Ансамбль)
Бустинг — це ансамблевий метод, який послідовно навчає слабкі моделі та об'єднує їх у потужний предиктор, фокусуючись на зразках, які попередні моделі класифікували неправильно. Кожна нова слабка модель отримує вагу відповідно до складності її навчального завдання, а остаточні прогнози робляться шляхом зваженого голосування. Започаткований Шапіре (1990) та вдосконалений в AdaBoost (Фройнд і Шапіре, 1997), бустинг перетворює слабкі моделі (ледве кращі за випадкові) на сильні шляхом послідовного перезважування.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/uk/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.
- AdaBoostМашинне навчання↔ compare
- Ансамбль беггінгуАнсамблеве навчання↔ compare
- Градiєнтний бустингМашинне навчання↔ compare
- Мажоритарне голосуванняАнсамблеве навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →