XGBoost Mạnh mẽ
XGBoost Mạnh mẽ kết hợp khung tăng cường gradient có khả năng mở rộng của XGBoost với các hàm mất mát mạnh mẽ — chủ yếu là hàm mất mát Huber hoặc các biến thể của nó — để tạo ra một tập hợp cây tăng cường gradient có khả năng chống lại ảnh hưởng làm sai lệch của các giá trị ngoại lai. Bằng cách thay thế mục tiêu sai số bình phương bằng một hàm mất mát giảm trọng số cho các phần dư lớn, mô hình mang lại dự đoán đáng tin cậy trên các mục tiêu liên tục ngay cả khi dữ liệu huấn luyện chứa các giá trị cực đoan hoặc nhiễu nhãn.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/vi/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.
- Gradient BoostingHọc máy↔ compare
- Khuếch đại Gradient Mạnh mẽHọc máy↔ compare
- Robust LightGBMHọc máy↔ compare
- Hồi quy tuyến tính vữngHọc máy↔ compare
- Rừng Ngẫu nhiên Mạnh mẽHọc máy↔ compare
- XGBoostHọc máy↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →