सामग्री
प्रश्नः
मशीन शिक्षण प्रणाली वर्धित करण्यासाठी अभियंते ग्रेडियंट बूस्टिंग कसे वापरू शकतात?
उत्तरः
इतर प्रकारच्या उत्तेजन देण्याप्रमाणेच, क्रमवार वाढविणे एका प्रकारच्या कमकुवत विद्यार्थ्यांना एकाच मजबूत शिक्षणामध्ये बदलण्याचा प्रयत्न करीत आहे, एक प्रकारची शिकण्याची क्षमता असलेल्या डिजिटल "क्राऊडसोर्सिंग" मध्ये. काहींनी ग्रेडियंट बूस्टिंगचा आणखी एक मार्ग स्पष्ट केला की अभियंता अधिक अचूक परिणाम तयार करण्यासाठी अस्पष्ट समीकरण बारीक-बारीक बदलू शकतात.
ग्रेडियंट बूस्टिंगला "पुनरावृत्ती" दृष्टिकोन म्हणून देखील वर्णन केले गेले आहे, पुनरावृत्तीची संभाव्यतः वैयक्तिक कमकुवत शिकणा of्यांची एकाच मजबूत शिकवणार्‍या मॉडेलमध्ये भर म्हणून वैशिष्ट्यीकृत आहे.
मशीन शिक्षण परिणाम वर्धित करेल अशा प्रकारच्या ग्रेडियंट बूस्टिंग अंमलबजावणीकडे कसे पहावे याचे एक आकर्षक वर्णन येथे आहे:
सिस्टम प्रशासकांनी प्रथम कमकुवत विद्यार्थ्यांचा एक सेट सेट केला. त्यांचा विचार करा, उदाहरणार्थ, ए-एफ घटकांच्या अ‍ॅरेच्या रूपात, प्रत्येकजण आभासी सारणीच्या सभोवती बसला आणि समस्येवर कार्य करीत, उदाहरणार्थ, बायनरी प्रतिमा वर्गीकरण.
वरील उदाहरणात, अभियंते प्रथम प्रत्येक कमकुवत शिकणार्‍याचे वजन करतील, शक्यतो अनियंत्रितपणे, ए, बी, सी इ. ला प्रभाव पातळी प्रदान करतील.
पुढे, कार्यक्रम प्रशिक्षण प्रतिमांचा एक सेट चालवेल. मग, निकाल दिल्यास, हे कमकुवत शिकणार्‍याच्या अ‍ॅरेचे पुन्हा वजन करेल. जर बी आणि सीपेक्षा जास्त अंदाज आला असेल तर त्यानुसार प्रभाव वाढविला जाईल.
बूस्टिंग अल्गोरिदम वर्धित करण्याच्या या सोप्या वर्णनात, अधिक गुंतागुंतीचा दृष्टीकोन वर्धित परिणाम कसा देईल हे पाहणे त्याचे तुलनेने सोपे आहे. कमकुवत शिकणारे "एकत्र विचार" करत असतात आणि त्याऐवजी एमएल समस्येचे अनुकूलन करतात.
याचा परिणाम म्हणून, अभियंते प्रतिमेच्या मान्यतेच्या वर्गीकरणापर्यंत किंवा नैसर्गिक भाषेच्या विश्लेषणापर्यंत जवळजवळ कोणत्याही प्रकारच्या एमएल प्रकल्पात ग्रेडियंट बूस्टिंगचा "एकत्रित" दृष्टीकोन वापरू शकतात. एमएलकडे जाण्यासाठी हा "टीम स्पिरीट" दृष्टीकोन आहे आणि काही शक्तिशाली खेळाडूंकडून त्याकडे बरेच लक्ष वेधले जात आहे.
विशेषत: ग्रेडियंट बूस्टिंग बर्‍याचदा विभेदनीय तोटा फंक्शनसह कार्य करते.
ग्रेडियंट बूस्टिंगचे स्पष्टीकरण देण्यासाठी वापरल्या गेलेल्या दुसर्‍या मॉडेलमध्ये, या प्रकारच्या बूस्टिंगचे आणखी एक कार्य म्हणजे वर्गीकरण किंवा चल बदलणे सक्षम असणे जे एका मोठ्या चित्रात फक्त आवाजाचे असतात. प्रत्येक व्हेरिएबल्स रिग्रेशन ट्री किंवा डेटा स्ट्रक्चरला एका कमकुवत शिकाऊच्या डोमेनमध्ये विभक्त करून, अभियंते असे मॉडेल तयार करू शकतात जे अधिक अचूकपणे "ध्वनी आउट" शोर सिग्निफायर्स बनवतील. दुसर्‍या शब्दांत सांगायचे तर दुर्दैवी कमकुवत शिकणा by्याने केलेले चिन्ह निश्चित केले जाईल कारण कमकुवत शिकणा down्याला खालच्या दिशेने पुन्हा वजन केले जाईल आणि कमी प्रभाव दिल्यास.