Shrestha，D.L。;索洛马汀，D.P。 AdaBoost的实验。RT是一种改进的回归增强方案。 （英语） Zbl 1115.68488号 神经计算机。 18，第7期，1678-1710（2006）. 摘要：与针对分类问题的研究相比，boosting技术在回归问题中的应用受到的关注相对较少。这封信描述了一种新的增强算法AdaBoost。RT，用于回归问题。其思想是过滤出相对估计误差高于预设阈值的示例，然后遵循AdaBoost过程。因此，需要选择误差阈值的次优值，以将示例划分为预测不佳或预测良好的示例。报告了使用M5模型树作为弱学习机对几个基准数据集进行学习的一些实验结果。将结果与其他助推方法、装袋、人工神经网络和单个M5模型树进行了比较。初步的经验比较表明AdaBoost具有更高的性能。大多数考虑的数据集的RT。 引用于10文件 MSC公司： 68T05年 人工智能中的学习和自适应系统 软件：阿达·布斯特。RT公司 PDF格式BibTeX公司 XML格式引用 \textit{D.L.Shrestha}和\textit{D.P.Solomatine}，神经计算。18，第7号，1678--1710（2006；Zbl 1115.68488） 全文： 内政部 参考文献： [1] DOI:10.11162/08997699300016746·doi:10.1162/0899766999300016746 [2] Breiman L.，机器学习24（1），第49页–（1996） [3] 内政部：10.1007/BF00058655·doi:10.1007/BF00058655 [4] 内政部：10.1162/08997669900016106·数字对象标识代码：10.1162/08997669900016106 [5] 内政部：10.1006/jcss.1997.1504·Zbl 0880.68103号 ·doi:10.1006/jcss.1997.1504 [6] 内政部：10.1214/aos/1176347963·Zbl 0765.62064号 ·doi:10.1214/aos/1176347963 [7] DOI:10.1214/aos/1013203451·Zbl 1043.62034号 ·doi:10.1214/aos/1013203451 [8] DOI:10.1214/aos/1016218223·Zbl 1106.62323号 ·doi:10.1214操作系统/1016218223 [9] Opitz D.，《人工智能研究杂志》11，第169页–（1999） [10] Ridgeway G.，《计算科学与统计》31，第172页–（1999） [11] Schapire R.，机器学习5（2），第197页–（1990） [12] 数字对象标识码：10.1623/hysj.48.3.399.45291·doi:10.1623/hysj.48.3.399.45291 [13] 内政部：10.1145/1968.1972·Zbl 0587.68077号 ·数字对象标识代码：10.1145/1968.1972 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。