تشریح افزایش گرادیان: تبدیل اشتباهات به دقت

تصور کنید که شما یک معلم هستید و سعی می کنید حقوق آینده دانش آموزان خود را بر اساس دو عامل پیش بینی کنید: IQ و CGPA (میانگین نمره تجمعی). به اندازه کافی ساده به نظر می رسد، درست است؟ اما نکته اینجاست – شما نمی خواهید فقط هیچ پیش بینی ای انجام دهید. شما دقیق ترین پیش بینی ممکن را می خواهید. بنابراین، به جای تکیه بر یک مدل برای انجام تمام کارها، تصمیم می گیرید از Gradient Boosting استفاده کنید، الگوریتمی که به طور هوشمندانه پیش بینی های چندین مدل را ترکیب می کند تا به حقیقت نزدیک تر شوید.

اما این جادو دقیقا چگونه اتفاق می افتد؟ بیایید از طریق یک سفر گام به گام با استفاده از یک نمونه، به داستان Gradient Boosting بپردازیم مجموعه داده از پنج دانش آموز خواهیم دید که چگونه بهبودهای کوچک و تکراری می تواند منجر به پیش بینی های بسیار دقیق شود.

در هسته خود، Gradient Boosting قدرتمند است یادگیری ماشینی تکنیک مورد استفاده برای کارهای رگرسیون و طبقه بندی. برخلاف سایر الگوریتم‌ها که برای پیش‌بینی به یک مدل تکیه می‌کنند، Gradient Boosting از یک سری مدل‌های ضعیف (اغلب درختان تصمیم) هر کدام از اشتباهات قبل از خود درس می گیرند. هدف؟ برای به حداقل رساندن خطاهای باقیمانده یا تفاوت بین مقادیر پیش بینی شده و واقعی، یک مرحله… وبلاگ کامل را به صورت رایگان در Medium بخوانید.

منتشر شده از طریق به سمت هوش مصنوعی