阿达布思。放射性同位素

用AdaBoost做实验。RT，一种改进的回归boosting方案。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boosting算法，AdaBoost。对于回归问题。其思想是将相对估计误差大于设定阈值的样本过滤出来，然后按照AdaBoost程序进行处理。因此，它需要选择误差阈值的次优值来将示例划分为预测不好或预测良好的示例。本文报道了用M5模型树作为弱学习机对几个基准数据集进行的实验结果。结果与其他boosting方法、bagging、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。对大多数考虑的数据集进行RT。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH中的参考文献（参考文献14条)

显示第1至14个结果，共14个。
按年份排序(引用)

  1. 阿拉夫金，亚历山大雷。；肉芽肿，朱利奥；Pillenetto，Gianluigi:作为基于内核的方法的提升（2019）
  2. 张春霞；张江摄；Kim，Sang-Woon:PBoostGA:用于变量排序和选择的伪boosting遗传算法（2016）
  3. Jackowski，Konrad:回归的自适应分裂和选择算法（2015）ioport公司
  4. 张鹏波；杨志新：一个强大的AdaBoost。基于RT的集成极限学习机（2015）
  5. 阿罕默多什，蒙特勒；王殿辉：具有随机权值的快速去相关神经网络集成（2014）
  6. 金贤哲；Swanson，Norman R.：使用数据缩减方法预测金融和宏观经济变量：新的经验证据（2014）
  7. 帕多，卡洛斯；乔塞夫，迪兹牧师。；加西亚-奥索里奥，塞萨尔；Rodríguez，Juan J.：森林轮作回归（2013）
  8. 泰科，雅克里特；纳蒂，乔维奇；Theeramunkong，Thanaruk:基于Boosting的集成学习，用于自动泰国未知单词识别（2012）ioport公司
  9. 贝利，凯文；Milgram，Maurice:基于神经网络回归的增强特征选择（2009）ioport公司
  10. 张春霞；张江摄；张盖英：用boosting修剪双套袋组合（2009）
  11. 张春霞；张江摄；王冠伟：利用轮作林提高回归系数的实证研究（2008）
  12. 什雷斯塔，D.L。；索罗马汀，D.P.：阿达布思的实验。RT，一种改进的回归boosting方案（2006）
  13. 施雷斯塔，杜尔加。；Solomatine，Dimitri P.：估计模型输出预测区间的机器学习方法。（2006年）
  14. 索罗马汀，D.P。；Siek，M.B.：预测自然现象的模块化学习模型。（2006年）