Boosting
Este artigo é um esboço sobre probabilidades e estatísticas .
Você pode compartilhar seu conhecimento, melhorando-o ( como? ) De acordo com as recomendações dos projetos correspondentes .
Consulte a lista de tarefas a serem realizadas na página de discussão .
Boosting| Subclasse | Metaheurística |
|---|---|
| Aspecto de | Aprendizagem supervisionada |
O impulso é um campo de aprendizado de máquina (ramo da inteligência artificial ). É um princípio que reúne muitos algoritmos baseados em conjuntos de classificadores binários: o boosting otimiza seu desempenho.
O princípio vem da combinação de classificadores (também chamados de hipóteses). Por sucessivas iterações, o conhecimento de um classificador fraco - classificador fraco - é adicionado ao classificador final - classificador forte .
Chamamos de aluno fraco um algoritmo que fornece classificadores fracos, capaz de reconhecer duas classes pelo menos tão bem quanto o faria (isto é, não é errado mais de uma vez em duas médias, se a distribuição das classes for equilibrada). O classificador fornecido é ponderado pela qualidade de sua classificação: quanto melhor classificar, mais importante será. Exemplos mal classificados são potencializados para que tenham mais importância vis-à-vis o aluno fraco na próxima rodada, de modo que compensem a falta.
Um dos algoritmos mais usados em boosting é chamado AdaBoost , abreviação de boosting adaptativo .
O boosting é baseado na teoria de aprendizagem CAP .
Principais métodos relacionados ao impulso
- Bootstraping
- Ensacamento
- Boosting
- AdaBoost
- DiscreteAB
- RealAB
- GentleAB
- WeightBoost
- BrownBoost
- LogitBoost
- AsymBoost
- KLBoost
- FloatBoost
- GloBoost
- RankBoost
O método Adaboost pode ser visto como um caso especial do método de peso multiplicativo .
Outros métodos relacionados
- ADDEMUP
- arco: recombinação adaptativa de classificadores
- ensacamento: agregação bootstrap
- empilhamento de sacos: ensacamento mais empilhamento
- cascateando
- combinação de classificadores
- comitês de redes
- teoria do consenso
- cragging: agregação cruzada (como validação cruzada k-fold)
- dagging: agregação de amostra disjunta
- dag-stacking: dagging mais empilhamento
- dividir e conquistar classificadores
- hagging: agregação de meia amostra
- mistura de especialistas
- sistemas classificadores múltiplos:
- classificadores de vários estágios e vários níveis
- OLC: combinação linear ideal
- pandemônio de agentes reflexivos
- algoritmos de peneiramento
- empilhamento: alimentação de saídas de vários modelos (e possivelmente as entradas originais) em um modelo de segundo nível
- votação