큐:
엔지니어가 그래디언트 부스팅을 사용하여 기계 학습 시스템을 향상시킬 수있는 방법은 무엇입니까?
ㅏ:다른 종류의 부스팅과 마찬가지로, 그래디언트 부스팅 (gradient boosting)은 학습 잠재력의 일종의 디지털 "crowdsourcing"에서 여러 약한 학습자를 단일의 강력한 학습자로 바꾸려고합니다. 그래디언트 부스팅을 설명하는 또 다른 방법은 엔지니어가 더 정확한 결과를 얻기 위해 모호한 방정식을 미세 조정하기 위해 변수를 추가하는 것입니다.
그라디언트 부스팅은 "반복적 인"접근 방식으로 설명되며 반복은 단일 약한 학습자 모델에 개별 약한 학습자를 추가 한 것으로 특징 지을 수 있습니다.
| 무료 다운로드 : 기계 학습 및 중요한 이유 |
다음은 머신 러닝 결과를 향상시키는 그라디언트 부스팅 구현 유형을 보는 방법에 대한 설득력있는 설명입니다.
시스템 관리자는 먼저 약한 학습자 세트를 설정합니다. 예를 들어, 각각을 가상 테이블 주위에 앉아 이진 이미지 분류와 같은 문제를 해결하는 엔티티 AF의 배열로 생각하십시오.
위의 예에서 엔지니어는 먼저 각 약한 학습자에게 가중치를 부여하여 영향 수준을 A, B, C 등에 할당합니다.
다음으로, 프로그램은 주어진 훈련 이미지 세트를 실행합니다. 그런 다음 결과가 주어지면 약한 학습자의 배열에 가중치를 부여합니다. A가 B와 C보다 훨씬 더 좋았다면 A의 영향이 커질 것입니다.
부스팅 알고리즘 향상에 대한이 간단한 설명에서 더 복잡한 접근 방식이 어떻게 향상된 결과를 얻을 수 있는지 쉽게 알 수 있습니다. 약한 학습자들은 "함께 생각하고"ML 문제를 최적화하고 있습니다.
결과적으로 엔지니어는 이미지 인식에서 사용자 추천 분류 또는 자연어 분석에 이르기까지 거의 모든 종류의 ML 프로젝트에서 "앙상블"그라디언트 부스팅 방식을 사용할 수 있습니다. ML에 대한 "팀 정신"접근 방식이며 일부 강력한 플레이어들로부터 많은 관심을 받고 있습니다.
특히 그라디언트 부스팅은 종종 차별화 가능한 손실 기능으로 작동합니다.
그래디언트 부스팅을 설명하는 데 사용되는 다른 모델에서 이러한 종류의 부스팅의 또 다른 기능은 더 큰 그림에서 단지 잡음 인 분류 또는 변수를 분리 할 수있는 것입니다. 엔지니어는 각 변수의 회귀 트리 또는 데이터 구조를 하나의 약한 학습자의 영역으로 분리함으로써 노이즈 표시기를보다 정확하게 "소리 내기"하는 모델을 만들 수 있습니다. 다시 말해, 불운 한 약한 학습자가 다루는 서명자는 약한 학습자가 아래쪽으로 다시 가중되고 영향을 덜 받음에 따라 소외 될 것입니다.
