כיצד יכולים המהנדסים להשתמש בהעצמת שיפוע כדי לשפר את מערכות הלמידה במכונה?

וִידֵאוֹ: Boosting Machine Learning Tutorial | Adaptive Boosting, Gradient Boosting, XGBoost | Edureka

תוֹכֶן

ש:

ת:

כמו סוגים אחרים של חיזוק, חיזוק הדרגתיות מבקש להפוך לומדים חלשים מרובים ללומד חזק יחיד, במעין "המונים רבים" דיגיטליים של פוטנציאל למידה. דרך נוספת שחלק מסבירה את חיזוק הדרגתיות היא שהמהנדסים מוסיפים משתנים כדי לכוונן משוואה מעורפלת, על מנת להביא לתוצאות מדויקות יותר.

הגברת שיפוע מתוארת גם כגישה "איטרטיבית", כאשר האיטרציות אולי מאופיינות כתוספת של לומדים חלשים אינדיבידואליים למודל לומד חזק אחד.

הנה תיאור משכנע כיצד להסתכל על סוג של יישום מגביר שיפוע שישפר את תוצאות הלמידה של המכונה:

מנהלי המערכת הקימו תחילה קבוצה של לומדים חלשים. חשבו עליהם, למשל, כמערך של ישויות A-F, כל אחד ישב סביב שולחן וירטואלי ועבד על בעיה, למשל, סיווג תמונות בינאריות.

בדוגמה לעיל, המהנדסים ישקלו תחילה כל לומד חלש, אולי באופן שרירותי, תוך הקצאת רמת השפעה ל- A, B, C וכו '.

בשלב הבא, התוכנית תריץ קבוצה נתונה של תמונות אימונים. ואז, בהינתן התוצאות, זה ישקלל מחדש את מערך הלומדים החלשים. אם א 'ניחש הרבה יותר טוב מ- B ו- C, כעל השפעה תועלה בהתאם.

בתיאור פשטני זה של שיפור אלגוריתם מגביר, קל יחסית לראות כיצד הגישה המורכבת יותר תניב תוצאות משופרות. הלומדים החלשים "חושבים ביחד" ומביאים אופטימיזציה לבעיית ML.

כתוצאה מכך, מהנדסים יכולים להשתמש בגישת "ההרכב" של העלאת מעבר צבע כמעט בכל סוג של פרויקט ML, החל מהכרת תמונה ועד סיווג המלצות המשתמשים, או ניתוח השפה הטבעית. זה בעצם גישה "רוח צוות" ל- ML, וכזו שמקבלת תשומת לב רבה מכמה שחקנים חזקים.

הגברת שיפוע במיוחד פועלת לעתים קרובות עם פונקציית אובדן שונה.

במודל אחר המשמש להסבר על הגברת שיפוע, פונקציה נוספת של הגברת סוג זה היא להיות מסוגלת לבודד סיווגים או משתנים שבתמונה גדולה יותר הם רק רעש. על ידי הפרדת כל משתנה עץ רגרסיה או מבנה נתונים לתחום של לומד חלש אחד, מהנדסים יכולים לבנות מודלים ש"ישמעו "יותר את מסמני הרעש בצורה מדויקת יותר. במילים אחרות, המסומן המכוסה על ידי הלומד החלש חסר המזל יהיה בשוליים שכן הלומד החלש משוקלל מחדש כלפי מטה ונותן לו פחות השפעה.