П:
Како инжењери могу да користе градијент за повећање напретка да би побољшали системе машинског учења?
А:Као и друге врсте потицања, градијентно повећање омогућава да се више слабих ученика претвори у једног јаког ученика, у неку врсту дигиталног „препуног курсања“ потенцијала за учење. Други начин на који неки објашњавају повећање градијента је тај да инжењери додају променљиве за фино подешавање нејасне једначине, како би произвели прецизније резултате.
Појачање градијента такође се описује као "итеративни" приступ, при чему се итерације могу окарактерисати као додавање појединачних слабих ученика полазницима јединственом моделу учитеља.
| Бесплатно преузимање: Машинско учење и зашто је то важно |
Ево упечатљивог описа како треба погледати врсту примене за повећање градијента који ће побољшати резултате машинског учења:
Администратори система су прво поставили скуп слабих ученика. Замислите их, на пример, као низ ентитета АФ, који су седели око виртуелне таблице и радили на проблему, на пример, класификацији бинарних слика.
У горњем примеру, инжењери ће прво давати тежину сваком слабом ученику, могуће и произвољно, додељујући ниво утицаја А, Б, Ц, итд.
Затим ће програм покренути одређени скуп слика са тренинга. Затим ће, имајући у виду исходе, поново тежити низ слабих ученика. Ако је А погодио много бољи од Б и Ц, утицај А ће се у складу с тим повећати.
У овом поједностављеном опису побољшања појачаног алгоритма, релативно је лако видети како ће сложенији приступ дати побољшане резултате. Слаби ученици „размишљају заједно“ и заузврат оптимизирају МЛ проблем.
Као резултат тога, инжењери могу да користе „ансамбл“ приступ повећању градијента у скоро свим врстама МЛ пројеката, од препознавања слике до класификације корисничких препорука или анализе природног језика. То је у суштини „тимски“ приступ МЛ-у и онај који привлачи велику пажњу неких моћних играча.
Посебно појачани градијент често делује са различитом функцијом губитака.
У другом моделу који се користи да се објасни повећавање градијента, друга функција ове врсте појачавања је да буде у могућности да изолује класификације или променљиве који су, у широј слици, само шум. Раздвајањем регресијског стабла или структуре података сваке варијабле у домену једног слабог ученика, инжењери могу да направе моделе који ће тачније „звучати“ означиваче буке. Другим речима, означитељ покривен несрећним слабим учеником биће маргинализован јер ће се онај слаб ученик преусмерити наниже и имати мање утицаја.
