Q:
Comment les ingénieurs peuvent-ils utiliser l'augmentation de gradient pour améliorer les systèmes d'apprentissage automatique?
UNE:Comme d'autres types de boosting, le boosting de gradient cherche à transformer plusieurs apprenants faibles en un seul apprenant fort, dans une sorte de «crowdsourcing» numérique du potentiel d'apprentissage. Certains expliquent également l'augmentation du gradient par le fait que les ingénieurs ajoutent des variables pour affiner une équation vague, afin de produire des résultats plus précis.
L'amplification du gradient est également décrite comme une approche «itérative», les itérations pouvant être caractérisées comme l'ajout d'apprenants faibles individuels à un modèle d'apprenants forts unique.
| Téléchargement gratuit: apprentissage automatique et pourquoi c'est important |
Voici une description convaincante de la façon d'examiner un type d'implémentation de renforcement de gradient qui améliorera les résultats de l'apprentissage automatique:
Les administrateurs système ont d'abord mis en place un ensemble d'apprenants faibles. Considérez-les, par exemple, comme un tableau d'entités AF, chacune assise autour d'une table virtuelle et travaillant sur un problème, par exemple, la classification des images binaires.
Dans l'exemple ci-dessus, les ingénieurs pondéreront d'abord chaque apprenant faible, éventuellement arbitrairement, en attribuant un niveau d'influence à A, B, C, etc.
Ensuite, le programme exécutera un ensemble donné d'images de formation. Puis, compte tenu des résultats, il repondérera la gamme d'apprenants faibles. Si A devine beaucoup mieux que B et C, l'influence de A sera augmentée en conséquence.
Dans cette description simpliste d'une amélioration de l'algorithme de stimulation, il est relativement facile de voir comment l'approche plus complexe produira des résultats améliorés. Les apprenants faibles «réfléchissent ensemble» et optimisent à leur tour un problème de BC.
En conséquence, les ingénieurs peuvent utiliser l'approche "d'ensemble" du renforcement du gradient dans presque tout type de projet ML, de la reconnaissance d'image à la classification des recommandations de l'utilisateur ou à l'analyse du langage naturel. C'est essentiellement une approche «esprit d'équipe» du ML, et qui attire beaucoup l'attention de certains joueurs puissants.
L'amplification du gradient en particulier fonctionne souvent avec une fonction de perte différenciable.
Dans un autre modèle utilisé pour expliquer l'augmentation du gradient, une autre fonction de ce type d'amplification est de pouvoir isoler des classifications ou des variables qui, dans une plus grande image, ne sont que du bruit. En séparant l'arbre de régression ou la structure de données de chaque variable dans le domaine d'un apprenant faible, les ingénieurs peuvent construire des modèles qui «résonneront» plus précisément les signifiants de bruit. En d'autres termes, le signifiant couvert par l'apprenant faible malchanceux sera marginalisé car cet apprenant faible sera repondéré à la baisse et aura moins d'influence.
