Glosar

Boosting

Ce este Boosting?

Boosting este o metodă de ansamblu din învățarea automată în care numeroase modele simple sunt antrenate unul după altul, fiecare model nou concentrându-se asupra cazurilor pe care predecesorii săi le-au greșit. Împreună, ele formează un model global mult mai precis. Variante cunoscute sunt AdaBoost și gradient boosting, cu biblioteci precum XGBoost sau LightGBM. Boostingul este deosebit de performant pe date tabelare, de exemplu pentru prognozele privind riscul de credit, vânzările sau pierderea clienților.

Subiecte

Metode de ansamblu
Învățare automată
Date tabelare

Încercați KI.ordo

Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.

Porniți demo-ul

← Toți termenii

Termeni înrudiți

gradient boosting

Gradient boosting este o tehnică de machine learning care combină, unul după altul, multe modele simple – de obicei arbori de decizie mici. Fiecare arbore nou este antrenat special pentru a reduce erorile rămase ale celor anteriori. Rezultatul sunt modele foarte precise pentru date tabelare, de exemplu pentru riscul de credit, prognoze de vânzări sau probabilitatea pierderii clienților. Implementări cunoscute sunt XGBoost, LightGBM și CatBoost; este nevoie de o reglare atentă pentru a evita supraînvățarea.

Învățare automată
metodă de ansamblu
+1

XGBoost

XGBoost (Extreme Gradient Boosting) este o bibliotecă open-source care implementează gradient boosting cu arbori de decizie în mod deosebit de eficient. Mulți arbori mici sunt antrenați unul după altul, fiecare corectând erorile celor dinainte, în timp ce regularizarea ajută la prevenirea supraajustării. XGBoost este considerat o alegere dovedită pentru date tabelare, de exemplu în scoringul riscului de credit, prezicerea renunțării clienților (churn) sau prognoza vânzărilor.

Învățare automată
Boosting
+1

LightGBM

LightGBM este o bibliotecă open-source pentru gradient boosting cu arbori de decizie, dezvoltată inițial de Microsoft. Este concepută pentru viteză și consum redus de memorie, printre altele prin antrenare bazată pe histograme și prin arbori care cresc frunză cu frunză, la cea mai promițătoare frunză. LightGBM este potrivită în special pentru seturi mari de date tabelare, de exemplu prognoze de vânzări, predicția pierderii clienților sau detectarea fraudelor, și este adesea comparată cu XGBoost.

gradient boosting
Date tabelare
+1

Bagging

Bagging (prescurtare de la bootstrap aggregating) este o metodă de ansamblu din învățarea automată: numeroase modele sunt antrenate pe eșantioane extrase aleatoriu din datele de antrenare, iar predicțiile lor sunt mediate sau combinate prin vot majoritar. Acest lucru face rezultatele mai stabile și reduce supraajustarea. Cel mai cunoscut exemplu este random forest, care combină numeroși arbori de decizie – de exemplu pentru a prognoza pierderea clienților sau prețurile.

Metode de ansamblu
Învățare automată
+1