Q：
エンジニアはどのように勾配ブースティングを使用して機械学習システムを強化できますか？
A：他の種類のブースティングと同様に、勾配ブースティングは、学習能力の一種のデジタル「クラウドソーシング」で、複数の弱い学習者を単一の強い学習者に変えようとします。 勾配ブースティングを説明する別の方法は、エンジニアが変数を追加してあいまいな方程式を微調整し、より正確な結果を生成することです。
勾配ブースティングは、「反復」アプローチとしても説明されます。反復は、個々の弱学習器を単一の強学習器モデルに追加することで特徴付けられる可能性があります。
| 無料ダウンロード： 機械学習とその重要性 |
機械学習の結果を向上させる勾配ブースティング実装のタイプを見る方法の説得力のある説明は次のとおりです。
システム管理者は、最初に一連の弱学習器を設定しました。 たとえば、それらは、A〜Fのエンティティの配列であり、それぞれが仮想テーブルの周りに座って、バイナリイメージの分類などの問題に取り組んでいると考えてください。
上記の例では、エンジニアは最初に各弱学習器に重みを付け、おそらく任意に、影響レベルをA、B、Cなどに割り当てます。
次に、プログラムは所定のトレーニング画像のセットを実行します。 次に、結果が与えられると、一連の弱学習器の重みを再設定します。 AがBやCよりもはるかによく推測された場合、Aの影響はそれに応じて上昇します。
ブースティングアルゴリズムの機能強化に関するこの単純な説明では、より複雑なアプローチがどのように機能強化された結果をもたらすかを比較的簡単に確認できます。 弱学習者は「一緒に考え」、MLの問題を最適化します。
その結果、エンジニアは、画像認識からユーザー推奨事項の分類、または自然言語の分析まで、ほぼすべての種類のMLプロジェクトで勾配ブーストの「アンサンブル」アプローチを使用できます。 それは本質的にMLへの「チームスピリット」アプローチであり、一部の強力なプレイヤーから多くの注目を集めています。
特に勾配ブースティングは、微分可能な損失関数で機能します。
勾配ブースティングを説明するために使用される別のモデルでは、この種のブースティングの別の機能は、大きな画像では単なるノイズである分類または変数を分離できることです。 各変数の回帰ツリーまたはデータ構造を1人の弱学習者のドメインに分離することにより、エンジニアはノイズシグニファイヤーをより正確に「鳴らす」モデルを構築できます。 言い換えれば、不運な弱学習者がカバーするシグニファイヤーは、その弱学習者が下方に再重み付けされ、影響が少なくなるため、無視されます。
