В каких случаях метод случайных подпространств RSM предпочтительнее бустинга?

Метод случайных подпространств (RSM) предпочтительнее бустинга в некоторых случаях: www.machinelearning.ru user-manual.pa6.megaputer.ru

• Когда признаков больше, чем объектов. www.machinelearning.ru vk.com В таких задачах алгоритмы, построенные по части признакового описания, могут обладать лучшей обобщающей способностью по сравнению с алгоритмами, построенными по всем признакам. www.machinelearning.ru vk.com
• При наличии избыточных неинформативных признаков. www.machinelearning.ru vk.com

При этом бустинг лучше работает на больших обучающих выборках и воспроизводит границы классов сложной формы. www.machinelearning.ru

Важно учитывать, что ни один из методов построения линейных композиций не является однозначно лучшим, и для каждого из них можно найти прикладные задачи, в которых он превосходит остальные. www.machinelearning.ru