К содержанию
Quantoros

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

Похожие вопросы