Бустинг
Бустинг — це послідовна ансамблева техніка, яка перетворює багато простих класифікаторів, що працюють трохи краще за випадковість, на єдину високоточну модель. Це досягається шляхом багаторазового зосередження навчання на прикладах, які попередні класифікатори визначили неправильно, а потім об'єднання всіх класифікаторів із вагами, пропорційними їхній індивідуальній точності.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+29 more
Джерела
- 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 ↗
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197–227. DOI: 10.1007/BF00116037 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Boosting (Ensemble of Sequentially Weighted Weak Learners). ScholarGate. https://scholargate.app/uk/machine-learning/boosting
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.
- Bagging (Bootstrap Aggregating)Машинне навчання↔ compare
- Дерево рішеньМашинне навчання↔ compare
- Градiєнтний бустингМашинне навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
- Голосувальний ансамбльМашинне навчання↔ compare
- XGBoostМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →