प्रश्न:
मशीन सीखने की प्रणाली को बढ़ाने के लिए इंजीनियर ग्रेडिंग बूस्टिंग का उपयोग कैसे कर सकते हैं?
ए:अन्य प्रकार के बूस्टिंग की तरह, ग्रेडिंग बूस्टिंग कई कमजोर शिक्षार्थियों को सीखने की क्षमता के डिजिटल "क्राउडसोर्सिंग" की तरह एक एकल मजबूत शिक्षार्थी में बदलने का प्रयास करता है। एक और तरीका जो कुछ ग्रेडिएंट बूस्टिंग को बढ़ाता है वह यह है कि इंजीनियर अधिक सटीक परिणाम उत्पन्न करने के लिए एक अस्पष्ट समीकरण को ठीक करने के लिए चर जोड़ते हैं।
ग्रैडिएंट बूस्टिंग को "पुनरावृत्त" दृष्टिकोण के रूप में भी वर्णित किया गया है, पुनरावृत्तियों के साथ संभवतः एकल मजबूत शिक्षार्थी मॉडल के लिए व्यक्तिगत कमजोर शिक्षार्थियों के अतिरिक्त के रूप में विशेषता है।
| मुफ्त डाउनलोड: मशीन लर्निंग और क्यों यह मायने रखता है |
मशीन सीखने के परिणामों को बढ़ाने वाले एक प्रकार के ग्रेडिएंट बूस्टिंग कार्यान्वयन को देखने का एक आकर्षक वर्णन यहाँ दिया गया है:
सिस्टम प्रशासक सबसे पहले कमजोर शिक्षार्थियों का एक सेट तैयार करते हैं। उदाहरण के लिए, उनके बारे में सोचिए, AF की संस्थाओं की एक सरणी के रूप में, प्रत्येक ने एक वर्चुअल टेबल के आसपास बैठकर एक समस्या पर काम किया है, उदाहरण के लिए, द्विआधारी छवि वर्गीकरण।
उपरोक्त उदाहरण में, इंजीनियर पहले प्रत्येक कमजोर शिक्षार्थी का वजन करेंगे, संभवतः मनमाने ढंग से, ए, बी, सी, आदि को एक प्रभाव स्तर प्रदान करेंगे।
अगला, कार्यक्रम प्रशिक्षण छवियों का एक सेट सेट चलाएगा। फिर, परिणामों को देखते हुए, यह कमजोर शिक्षार्थियों की सरणी को फिर से भारित करेगा। यदि A ने B और C से बहुत बेहतर अनुमान लगाया है, तो A के प्रभाव को उसके अनुसार उठाया जाएगा।
एक सरल एल्गोरिथ्म बढ़ाने के इस सरलीकृत वर्णन में, यह देखना आसान है कि अधिक जटिल दृष्टिकोण कैसे बढ़ाया परिणाम देगा। कमजोर शिक्षार्थी "एक साथ सोच रहे हैं" और बदले में एक एमएल समस्या का अनुकूलन कर रहे हैं।
नतीजतन, इंजीनियर छवि की पहचान से लेकर उपयोगकर्ता अनुशंसाओं के वर्गीकरण, या प्राकृतिक भाषा के विश्लेषण तक लगभग किसी भी प्रकार की परियोजना में ग्रेडिंग बढ़ाने के "कलाकारों की टुकड़ी" दृष्टिकोण का उपयोग कर सकते हैं। यह अनिवार्य रूप से एमएल के लिए "टीम भावना" है, और कुछ शक्तिशाली खिलाड़ियों से बहुत अधिक ध्यान आकर्षित कर रहा है।
विशेष रूप से धीरे-धीरे बढ़ाने वाला एक अलग हानि समारोह के साथ काम करता है।
ग्रेडिएंट बूस्टिंग को समझाने के लिए उपयोग किए जाने वाले एक अन्य मॉडल में, इस तरह के बूस्टिंग का एक अन्य कार्य वर्गीकरणों या चर को अलग करने में सक्षम होना है, जो एक बड़ी तस्वीर में, केवल शोर हैं। एक कमजोर शिक्षार्थी के डोमेन में प्रत्येक चर के प्रतिगमन पेड़ या डेटा संरचना को अलग करके, इंजीनियर ऐसे मॉडल का निर्माण कर सकते हैं जो शोर सिग्नल को अधिक सटीक रूप से "ध्वनि बाहर" करेंगे। दूसरे शब्दों में, अशुभ कमजोर शिक्षार्थी द्वारा कवर किए गए हस्ताक्षरकर्ता को हाशिए पर रखा जाएगा क्योंकि कमजोर शिक्षार्थी को नीचे की ओर फिर से भारित किया जाता है और उसे कम प्रभाव दिया जाता है।
