Boosting – mašininio mokymosi ansamblio metodas, kai daug paprastų modelių mokoma vienas po kito, o kiekvienas naujas modelis sutelkia dėmesį į atvejus, kuriuose suklydo ankstesni. Kartu jie sudaro daug tikslesnį bendrą modelį. Žinomi variantai – AdaBoost ir gradientinis boosting, su bibliotekomis, pavyzdžiui, XGBoost ar LightGBM. Boosting ypač stiprus dirbant su lenteliniais duomenimis, pavyzdžiui, kredito rizikos, pardavimų ar klientų nutekėjimo prognozėse.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąGradientinis stiprinimas yra mašininio mokymosi technika, kuri iš eilės sujungia daug paprastų modelių – dažniausiai mažų sprendimų medžių. Kiekvienas naujas medis mokomas specialiai sumažinti likusias ankstesnių klaidas. Rezultatas – labai tikslūs modeliai lentelių duomenims, pavyzdžiui, kredito rizikai, pardavimų prognozėms ar klientų nutekėjimo tikimybei. Gerai žinomos realizacijos yra XGBoost, LightGBM ir CatBoost; norint išvengti persimokymo, reikia kruopštaus derinimo.
XGBoost (Extreme Gradient Boosting) – atvirojo kodo biblioteka, ypač efektyviai įgyvendinanti gradientinį stiprinimą su sprendimų medžiais. Daug mažų medžių mokoma vienas po kito, kiekvienas taiso ankstesnių klaidas, o reguliarizavimas padeda išvengti persimokymo. XGBoost laikomas patikrintu pasirinkimu lentelių duomenims, pavyzdžiui, kredito rizikos vertinimui, klientų praradimo prognozavimui ar pardavimų prognozavimui.
LightGBM yra atvirojo kodo gradientinio stiprinimo su sprendimų medžiais biblioteka, iš pradžių sukurta „Microsoft“. Ji sukurta greičiui ir mažam atminties naudojimui, be kita ko, naudojant histogramomis grįstą mokymą ir medžius, augančius lapas po lapo perspektyviausiame lape. LightGBM ypač tinka dideliems lentelių duomenų rinkiniams, pavyzdžiui, pardavimų prognozėms, klientų nutekėjimo prognozavimui ar sukčiavimo aptikimui, ir dažnai lyginama su XGBoost.
Bagging (sutrumpinimas nuo bootstrap aggregating) – mašininio mokymosi ansamblio metodas: daug modelių mokoma atsitiktinai atrinktomis mokymo duomenų imtimis, o jų prognozės suvidurkinamos arba sujungiamos daugumos balsavimu. Taip rezultatai tampa stabilesni ir mažėja permokymas. Žinomiausias pavyzdys – atsitiktinis miškas, sujungiantis daug sprendimų medžių, pavyzdžiui, klientų nutekėjimui ar kainoms prognozuoti.
