Q:
Como os engenheiros podem usar o aumento de gradiente para aprimorar os sistemas de aprendizado de máquina?
UMA:Como outros tipos de aumento, o aumento do gradiente procura transformar vários alunos fracos em um único aluno forte, em uma espécie de "crowdsourcing" digital de potencial de aprendizado. Outra maneira que alguns explicam o aumento do gradiente é que os engenheiros adicionam variáveis para ajustar uma equação vaga, a fim de produzir resultados mais precisos.
O aumento de gradiente também é descrito como uma abordagem "iterativa", com as iterações possivelmente caracterizadas como a adição de alunos fracos individuais a um único modelo de aluno forte.
| Download grátis: Machine Learning e por que é importante |
A seguir, uma descrição convincente de como analisar um tipo de implementação de aumento de gradiente que aprimorará os resultados do aprendizado de máquina:
Os administradores do sistema primeiro configuraram um conjunto de alunos fracos. Pense nelas, por exemplo, como uma matriz de entidades AF, cada uma sentada ao redor de uma tabela virtual e trabalhando em um problema, por exemplo, classificação de imagem binária.
No exemplo acima, os engenheiros primeiro ponderarão cada aluno fraco, possivelmente arbitrariamente, atribuindo um nível de influência a A, B, C, etc.
Em seguida, o programa executará um determinado conjunto de imagens de treinamento. Então, dados os resultados, ele re-ponderará a variedade de alunos fracos. Se A adivinhou muito melhor que B e C, a influência de A será aumentada de acordo.
Nesta descrição simplista de um aprimoramento do algoritmo de aumento, é relativamente fácil ver como a abordagem mais complexa produzirá resultados aprimorados. Os alunos fracos estão "pensando juntos" e, por sua vez, otimizando um problema de BC.
Como resultado, os engenheiros podem usar a abordagem "ensemble" de aumento de gradiente em praticamente qualquer tipo de projeto de ML, desde o reconhecimento de imagens até a classificação das recomendações do usuário ou a análise da linguagem natural. É essencialmente uma abordagem de "espírito de equipe" ao ML, e que está recebendo muita atenção de alguns jogadores poderosos.
O aumento de gradiente, em particular, geralmente funciona com uma função de perda diferenciável.
Em outro modelo usado para explicar o aumento de gradiente, outra função desse tipo de aumento é ser capaz de isolar classificações ou variáveis que, em uma imagem maior, são apenas ruído. Ao separar a árvore de regressão ou a estrutura de dados de cada variável no domínio de um aluno fraco, os engenheiros podem criar modelos que "emitirão" significadores de ruído com mais precisão. Em outras palavras, o significante coberto pelo aluno fraco e azarado será marginalizado, pois esse aluno fraco é ponderado novamente para baixo e recebe menos influência.
