Q:
Wie können Ingenieure die Gradientenanhebung nutzen, um maschinelle Lernsysteme zu verbessern?
EIN:Wie andere Arten des Boostings versucht auch das Gradienten-Boosting, mehrere schwache Lernende in einer Art digitalem "Crowdsourcing" des Lernpotenzials zu einem einzigen starken Lernenden zu machen. Einige erklären die Gradientenerhöhung auch dadurch, dass Ingenieure Variablen zur Feinabstimmung einer vagen Gleichung hinzufügen, um genauere Ergebnisse zu erzielen.
Gradient Boosting wird auch als "iterativer" Ansatz beschrieben, wobei die Iterationen möglicherweise als Hinzufügung einzelner schwacher Lernender zu einem einzelnen starken Lernermodell charakterisiert sind.
| Kostenloser Download: Maschinelles Lernen und warum es wichtig ist |
Nachfolgend finden Sie eine überzeugende Beschreibung, wie eine Art von Implementierung zur Steigerung des Gradienten betrachtet werden kann, die die Ergebnisse des maschinellen Lernens verbessert:
Die Systemadministratoren richten zunächst eine Gruppe schwacher Lernender ein. Stellen Sie sie sich zum Beispiel als ein Array von AF-Entitäten vor, die jeweils an einem virtuellen Tisch sitzen und an einem Problem arbeiten, zum Beispiel der Klassifizierung von Binärbildern.
Im obigen Beispiel gewichten die Ingenieure zunächst jeden schwachen Lernenden, möglicherweise willkürlich, und weisen A, B, C usw. eine Einflussstufe zu.
Als Nächstes führt das Programm einen bestimmten Satz von Trainingsbildern aus. Angesichts der Ergebnisse wird dann die Gruppe der schwachen Lernenden neu gewichtet. Wenn A viel besser als B und C geraten hat, wird der Einfluss von A entsprechend erhöht.
In dieser vereinfachten Beschreibung einer Verbesserung des Boosting-Algorithmus ist relativ leicht zu erkennen, wie der komplexere Ansatz zu verbesserten Ergebnissen führt. Die schwachen Lernenden "denken zusammen" und optimieren ihrerseits ein ML-Problem.
Infolgedessen können Ingenieure den "Ensemble" -Ansatz der Gradientenerhöhung in nahezu allen ML-Projekten anwenden, von der Bilderkennung über die Klassifizierung von Benutzerempfehlungen bis hin zur Analyse der natürlichen Sprache. Es ist im Wesentlichen ein "Teamgeist" -Ansatz für ML, der bei einigen starken Spielern große Aufmerksamkeit erregt.
Insbesondere die Gradientenverstärkung arbeitet häufig mit einer differenzierbaren Verlustfunktion.
In einem anderen Modell zur Erklärung der Gradientenanhebung besteht eine weitere Funktion dieser Art der Anhebung darin, Klassifikationen oder Variablen zu isolieren, die im Großen und Ganzen nur Rauschen sind. Durch die Unterteilung des Regressionsbaums oder der Datenstruktur jeder Variablen in die Domäne eines schwachen Lerners können Ingenieure Modelle erstellen, mit denen Störsignale genauer "ausgelotet" werden. Mit anderen Worten, der vom unglücklichen schwachen Lernenden abgedeckte Signifikant wird an den Rand gedrängt, da dieser schwache Lernende nach unten gewichtet wird und weniger Einfluss erhält.
