Почему ошибочно размеченные наблюдения могут стать особенно влиятельными в AdaBoost?
Classic MLУровень: ПрактикаReweighted hard examples
Почему ошибочно размеченные наблюдения могут стать особенно влиятельными в AdaBoost?
Подсказки
- Проследите изменение веса после ошибки.
- Не каждый сложный пример полезен.
Ответ
Ошибочно классифицированные примеры получают больше внимания через перевзвешивание. Постоянные ошибки разметки могут снова привлекать следующие модели, поэтому важны качество меток и регуляризация.
Источник и лицензия: scikit-learn 1.7.2 — ensemble · BSD-3-Clause · ответ: редакция Quantoros · перевод: Quantoros