Q:
Bagaimana para insinyur dapat menggunakan peningkatan gradien untuk meningkatkan sistem pembelajaran mesin?
SEBUAH:Seperti jenis peningkatan lainnya, peningkatan gradien bertujuan untuk mengubah banyak pembelajar yang lemah menjadi pembelajar tunggal yang kuat, dalam semacam "crowdsourcing" digital potensi pembelajaran. Cara lain yang beberapa menjelaskan peningkatan gradien adalah bahwa insinyur menambahkan variabel untuk menyempurnakan persamaan yang tidak jelas, untuk menghasilkan hasil yang lebih tepat.
Peningkatan gradien juga digambarkan sebagai pendekatan "iteratif", dengan iterasi yang mungkin dikarakterisasi sebagai penambahan peserta didik yang lemah individu ke dalam model pembelajar tunggal yang kuat.
| Unduh Gratis: Pembelajaran Mesin dan Mengapa Itu Penting |
Berikut ini adalah deskripsi menarik tentang cara melihat jenis implementasi peningkatan gradien yang akan meningkatkan hasil pembelajaran mesin:
Administrator sistem pertama-tama mengatur sekelompok pelajar yang lemah. Pikirkan mereka, misalnya, sebagai array entitas AF, masing-masing duduk di sekitar tabel virtual dan mengerjakan masalah, misalnya, klasifikasi gambar biner.
Dalam contoh di atas, para insinyur pertama-tama akan memberi bobot pada setiap pembelajar yang lemah, mungkin secara sewenang-wenang, menetapkan tingkat pengaruh ke A, B, C, dll.
Selanjutnya, program akan menjalankan serangkaian gambar pelatihan yang diberikan. Kemudian, mengingat hasilnya, itu akan menimbang kembali deretan peserta didik yang lemah. Jika A menebak jauh lebih baik daripada B dan C, pengaruh A akan dinaikkan.
Dalam uraian sederhana tentang peningkatan algoritma peningkatan ini, relatif mudah untuk melihat bagaimana pendekatan yang lebih kompleks akan menghasilkan hasil yang ditingkatkan. Pelajar yang lemah "berpikir bersama" dan pada gilirannya mengoptimalkan masalah ML.
Akibatnya, para insinyur dapat menggunakan pendekatan "ensemble" dari peningkatan gradien di hampir semua jenis proyek ML, dari pengenalan gambar hingga klasifikasi rekomendasi pengguna, atau analisis bahasa alami. Ini pada dasarnya pendekatan "semangat tim" untuk ML, dan yang mendapat banyak perhatian dari beberapa pemain kuat.
Peningkatan gradien khususnya sering bekerja dengan fungsi kerugian yang dapat dibedakan.
Dalam model lain yang digunakan untuk menjelaskan peningkatan gradien, fungsi lain dari peningkatan semacam ini adalah untuk dapat mengisolasi klasifikasi atau variabel yang, dalam gambar yang lebih besar, hanyalah noise. Dengan memisahkan pohon regresi atau struktur data masing-masing variabel ke dalam domain satu pelajar yang lemah, insinyur dapat membangun model yang akan lebih akurat "terdengar" penanda kebisingan. Dengan kata lain, penanda yang ditutupi oleh pembelajar yang lemah dan tidak beruntung akan dipinggirkan karena pembelajar yang lemah itu ditimbang kembali ke bawah dan diberi pengaruh yang lebih sedikit.
