F:
Hur kan ingenjörer använda gradient boosting för att förbättra maskininlärningssystem?
A:Liksom andra slags uppsving försöker gradient boosting att förvandla flera svaga elever till en enda stark elev, i en slags digital "crowddsourcing" av inlärningspotential. Ett annat sätt som vissa förklarar gradientökning är att ingenjörer lägger till variabler för att finjustera en vag ekvation för att ge mer exakta resultat.
Gradient boosting beskrivs också som ett "iterativt" tillvägagångssätt, där iterationerna eventuellt kännetecknas som tillägget av enskilda svaga elever till en enda stark elev.
| Gratis nedladdning: Machine Learning and Why It Matters |
Här är en övertygande beskrivning av hur man ser på en typ av lutning som ökar implementeringen som kommer att förbättra maskininlärningsresultaten:
Systemadministratörerna inrättade först en uppsättning svaga elever. Tänk på dem, till exempel, som en mängd enheter AF, var och en satt runt ett virtuellt bord och arbetade med ett problem, till exempel binär bildklassificering.
I exemplet ovan kommer ingenjörerna att först väga varje svag elev, eventuellt godtyckligt, tilldela en påverkningsnivå till A, B, C, etc.
Därefter kör programmet en viss uppsättning träningsbilder. Sedan, med tanke på resultaten, kommer det att väga upp mängden svaga elever. Om A gissade mycket bättre än B och C kommer A: s inflytande att höjas i enlighet därmed.
I denna förenklade beskrivning av en förbättrad algoritmförbättring är det relativt enkelt att se hur det mer komplexa tillvägagångssättet kommer att ge förbättrade resultat. De svaga eleverna "tänker tillsammans" och optimerar i sin tur ett ML-problem.
Som ett resultat kan ingenjörer använda "ensemble" -metoden för gradient boosting i nästan alla typer av ML-projekt, från bildigenkänning till klassificering av användarens rekommendationer eller analys av naturligt språk. Det är i huvudsak en "lagandes" strategi för ML, och en som får mycket uppmärksamhet från vissa kraftfulla spelare.
I synnerhet gradient boosting fungerar ofta med en differentierbar förlustfunktion.
I en annan modell som används för att förklara gradient boosting är en annan funktion av denna typ av boosting att kunna isolera klassificeringar eller variabler som i en större bild bara är buller. Genom att separera varje variabels regressionsträd eller datastruktur i domänen för en svag elev kan ingenjörer bygga modeller som mer exakt kommer att "ljuda ut" ljudsignaler. Med andra ord kommer signifieraren som täcks av den oturliga svaga eleven att marginaliseras eftersom den svaga eleven vägs ned igen och ges mindre inflytande.
