智能AI
morning
用于回归的稳健 XGBoosting
2026-08-17
1 阅读
约1分钟阅读
Iris Arag\'on Mladosich, Christophe Croux
字号:
arXiv:2608.13590v1 公告类型：新 摘要：XGBoost 是一种非常流行且强大的预测方法。它迭代地将简单的决策树与上一步的残差拟合。可以使用高效且可扩展的实施方式。 XGBoost 的标准损失函数是二次损失，但也可以使用 Huber 损失。在本文中，我们研究了 XGBoost 的鲁棒性，并表明其性能可能会受到垂直异常值和杠杆点的影响。为了解决这个问题，我们基于稳健回归的 M-、S- 和 {\tau} 估计器探索替代损失函数。我们的结果表明，称为 MM-XGBoost 的两步过程提供了鲁棒性和预测准确性之间的最佳权衡。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱