Robust XGBoost
Robust XGBoost поєднує масштабований фреймворк градієнтного бустингу XGBoost із стійкими функціями втрат — насамперед функцією втрат Г'юбера або її варіантами — для створення ансамблю градієнтних бустингових дерев, який протистоїть спотворюючому впливу викидів. Замінюючи цільову функцію квадратичної помилки на функцію втрат, яка зменшує вагу великих залишків, модель забезпечує надійні прогнози для неперервних цільових змінних, навіть коли навчальні дані містять екстремальні значення або шум у мітках.
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
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/uk/machine-learning/robust-xgboost
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.
- Градiєнтний бустингМашинне навчання↔ compare
- Robust Gradient BoostingМашинне навчання↔ compare
- Robust LightGBMМашинне навчання↔ compare
- Надійна лінійна регресіяМашинне навчання↔ compare
- Надійний випадковий лісМашинне навчання↔ compare
- XGBoostМашинне навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →