آدابوست مخفف بوستینگ تطبیقی بوده و یک الگوریتم یادگیری ماشین است که توسط یاو فروند و رابرت شاپیر ابداع شد. آدابوست یک تکنیک یادگیری ترکیبی و شناخته شدهترین روش از خانوادهی الگوریتمهای بوستینگ است. در این الگوریتم، مدل هایی به طور پیدرپی یاد گرفته میشوند؛ به طوریکه در هر نوبت، یک مدل آموزش داده میشود. در پایان هر نوبت، نمونههایی که اشتباه طبقه بندی شدهاند، شناسایی شده و تأکید روی آنها در یک مجموعهی آموزشی جدید، افزایش مییابد. سپس این مجموعه ی آموزشی جدید برای نوبت بعدی آموزش استفاده شده و یک مدل جدید آموزش داده میشود. ایده این است که مدلهای جدید باید قادر به جبران خطاهای ایجاد شده توسط مدل های قبلی باشند. در واقع آدابوست یک متا الگوریتم است که بمظور ارتقاء عملکرد و رفع مشکل ردههای نامتوزان همراه دیگر الگوریتم های یادگیری استفاده میشود. هدف الگوریتم آدابوست افزایش میزان یادگیری کلاسبندها هست. این الگوریتم با ترکیب چند کلاسبند ضعیف یک مرز مناسب جهت تفکیک داده های بین دوکلاس بدست می آورد. شعار کلاسبند ها همیشه به نفع داده هایی که در مرحله قبل به اشتباه کلاسبندی شده اند، عمل می کنیم. الگوریتم آدابوست نسبت به دادههای نویزی و پرت حساس است؛ ولی نسبت به مشکل بیش برازش از بیشتر الگوریتم های یادگیری برتری دارد.
در این صفحه تعداد 179 مقاله تخصصی درباره آدابوست که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید. در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات زیر هنوز به فارسی ترجمه نشده اند. در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.