Peningkatan kecerunan

Peningkatan kecerunan ialah teknik pembelajaran mesin ensemble yang digunakan untuk mencipta model ramalan. Peningkatan kecerunan membina model mengikut peringkat dengan bekerja daripada pokok keputusan yang kecil. Setiap pokok berturut-turut cuba menambah kuasa ramalan keseluruhan bagi semua pokok keputusan yang dilatih sebelum ini.

Idea utama peningkatan kecerunan adalah untuk melatih peramal secara berurutan dengan tujuan meminimumkan fungsi objektif keseluruhan. Peningkatan kecerunan menggunakan teknik yang dipanggil boosting yang berfungsi dengan menggabungkan pelajar yang lemah menjadi yang kuat. Pelajar yang lemah adalah mereka yang lebih baik sedikit daripada meneka secara rawak. Ideanya adalah untuk menggabungkan berbilang pelajar lemah menjadi pelajar tunggal yang lebih berkuasa, menggunakan teknik meningkatkan.

Dalam proses meningkatkan, pertama sekali, pelajar asas atau lemah dikenal pasti. Bagi setiap langkah seterusnya, teknik penggalak menimbang atau memberikan pemberat yang berbeza kepada pelajar lemah individu, supaya mereka menjadi lebih berkesan secara individu dan kolektif secara keseluruhan. Menjelang akhir proses rangsangan, seorang pelajar tunggal dihasilkan yang mempunyai lebih banyak kuasa ramalan daripada hanya gabungan pelajar yang lemah.

Ciri-ciri lain yang ketara bagi peningkatan kecerunan termasuk fleksibilitinya dalam menggunakan pelbagai jenis pelajar lemah, kapasitinya untuk mengendalikan perhubungan bukan linear antara pembolehubah input dan sasaran, dan kecekapannya dalam menangani set data yang besar.

Peningkatan kecerunan telah digunakan dalam pelbagai aplikasi kerana kuasa ramalan dan kecekapannya yang hebat. Khususnya, ia telah berjaya digunakan dalam bidang seperti pengesanan penipuan, penilaian risiko, sistem pengesyoran, penglihatan komputer dan kecerdasan buatan. Berbanding dengan teknik pembelajaran mesin yang lain, peningkatan kecerunan boleh dilihat sebagai amat berguna dalam set data yang tidak seimbang.