Glossário

Boosting

O que é Boosting?

O boosting é um método de ensemble em aprendizagem automática em que muitos modelos simples são treinados uns após os outros, concentrando-se cada novo modelo nos casos em que os anteriores erraram. Em conjunto, formam um modelo global muito mais preciso. Variantes conhecidas são o AdaBoost e o gradient boosting, com bibliotecas como XGBoost ou LightGBM. O boosting é particularmente forte em dados tabulares, por exemplo em previsões de risco de crédito, de vendas ou de abandono de clientes.

Temas

Métodos de ensemble
Aprendizagem automática
Dados tabulares

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Gradient boosting

O gradient boosting é uma técnica de machine learning que combina muitos modelos simples – normalmente pequenas árvores de decisão – uns a seguir aos outros. Cada nova árvore é treinada especificamente para reduzir os erros restantes das anteriores. O resultado são modelos muito precisos para dados tabulares, por exemplo para risco de crédito, previsões de vendas ou probabilidade de abandono. Implementações conhecidas são o XGBoost, o LightGBM e o CatBoost; é necessário um ajuste cuidadoso para evitar o sobreajuste.

Aprendizagem automática
Método de ensemble
+1

XGBoost

O XGBoost (Extreme Gradient Boosting) é uma biblioteca de código aberto que implementa o gradient boosting com árvores de decisão de forma particularmente eficiente. Muitas árvores pequenas são treinadas umas após outras, cada uma corrigindo os erros das anteriores, enquanto a regularização ajuda a evitar o sobreajuste. O XGBoost é considerado uma escolha comprovada para dados tabulares, por exemplo na pontuação de risco de crédito, na previsão de abandono de clientes ou na previsão de vendas.

Aprendizagem automática
Boosting
+1

LightGBM

O LightGBM é uma biblioteca de código aberto para gradient boosting com árvores de decisão, desenvolvida originalmente pela Microsoft. Foi concebido para a velocidade e o baixo consumo de memória, entre outras coisas através de um treino baseado em histogramas e de árvores que crescem folha a folha na folha mais promissora. O LightGBM é particularmente adequado para grandes conjuntos de dados tabulares, por exemplo previsões de vendas, previsão de abandono ou deteção de fraude, e é frequentemente comparado com o XGBoost.

Gradient boosting
Dados tabulares
+1

Bagging

O bagging (abreviatura de bootstrap aggregating) é um método de ensemble em aprendizagem automática: muitos modelos são treinados com amostras dos dados de treino extraídas aleatoriamente, e as suas previsões são calculadas em média ou combinadas por votação maioritária. Isto torna os resultados mais estáveis e reduz o sobreajuste. O exemplo mais conhecido é a random forest, que combina muitas árvores de decisão – por exemplo, para prever o abandono de clientes ou preços.

Métodos de ensemble
Aprendizagem automática
+1