![Boosting Machine Learning Tutorial | Adaptive Boosting, Gradient Boosting, XGBoost | Edureka](https://i.ytimg.com/vi/kho6oANGu_A/hqdefault.jpg)
المحتوى
Q:
كيف يمكن للمهندسين استخدام تعزيز التدرج لتعزيز أنظمة التعلم الآلي؟
أ:
مثل الأنواع الأخرى من التعزيز ، يسعى تدرج التدرج إلى تحويل متعلمين ضعفاء متعددين إلى متعلم واحد قوي ، في نوع من "التعهيد الجماعي" الرقمي لقدرات التعلم. هناك طريقة أخرى لشرح البعض لتعزيز التدرج وهي أن المهندسين يضيفون متغيرات لضبط معادلة غامضة ، من أجل تحقيق نتائج أكثر دقة.
يوصف تعزيز التدرج أيضًا بأنه منهج "تكراري" ، مع التكرار الذي يمكن وصفه بأنه إضافة متعلمين ضعفاء فرديين إلى نموذج متعلم واحد قوي.
إليك وصفًا مقنعًا لكيفية النظر إلى نوع من التدرج المعزز للتنفيذ يعزز نتائج التعلم الآلي:
قام مسؤولو النظام أولاً بإعداد مجموعة من المتعلمين الضعفاء. فكر فيها ، على سبيل المثال ، كمجموعة من الكيانات A-F ، جلس كل منها حول جدول افتراضي ويعمل على حل مشكلة ، على سبيل المثال ، تصنيف الصور الثنائية.
في المثال أعلاه ، سيقوم المهندسون أولاً بتقييم كل متعلم ضعيف ، وربما بشكل تعسفي ، مع تحديد مستوى التأثير على A ، B ، C ، إلخ.
بعد ذلك ، سيقوم البرنامج بتشغيل مجموعة معينة من الصور التدريبية. بعد ذلك ، في ضوء النتائج ، سيعيد تقييم مجموعة المتعلمين الضعفاء. إذا خمن A أفضل بكثير من B و C ، فسيتم رفع التأثير وفقًا لذلك.
في هذا الوصف المبسط لتحسين الخوارزمية المعززة ، من السهل نسبيًا معرفة كيف سيسفر النهج الأكثر تعقيدًا عن نتائج معززة. المتعلمين الضعفاء "يفكرون معًا" وبدورهم يقومون بتحسين مشكلة ML.
نتيجة لذلك ، يمكن للمهندسين استخدام نهج "المجموعة" المتمثل في زيادة التدرج في أي نوع من مشاريع ML تقريبًا ، بدءًا من التعرف على الصور إلى تصنيف توصيات المستخدم ، أو تحليل اللغة الطبيعية. إنه أساسًا "روح الفريق" في التعامل مع ML ، والتي تحظى بالكثير من الاهتمام من بعض اللاعبين الأقوياء.
غالبًا ما يعمل تدرج التدرج على وجه الخصوص مع وظيفة خسارة مختلفة.
في نموذج آخر يستخدم لشرح زيادة التدرج اللوني ، تتمثل وظيفة أخرى من هذا النوع من التعزيز في القدرة على عزل التصنيفات أو المتغيرات ، في صورة أكبر ، مجرد ضوضاء. من خلال فصل كل شجرة انحدار متغيرات أو بنية بيانات في مجال متعلم ضعيف واحد ، يمكن للمهندسين بناء نماذج من شأنها "دق صوت" معرفات الضوضاء بشكل أكثر دقة. وبعبارة أخرى ، سيتم تهميش الدلال الذي يغطيه المتعلم الضعيف سيئ الحظ لأن هذا المتعلم الضعيف يعاد وزنه إلى الأسفل ويمنح تأثيرًا أقل.