Q:
Bagaimanakah jurutera boleh menggunakan peningkatan kecerunan untuk meningkatkan sistem pembelajaran mesin?
A:Seperti jenis lain yang menggalakkan, kemajuan kecerunan bertujuan untuk menjadikan beberapa pelajar lemah menjadi pelajar tunggal yang kuat, dalam bentuk "potensi orang ramai" dalam potensi pembelajaran. Cara lain yang menjelaskan penjana kecerunan adalah bahawa jurutera menambah pembolehubah untuk menyempurnakan persamaan samar-samar, untuk menghasilkan hasil yang lebih tepat.
Peningkatan kecerunan juga digambarkan sebagai pendekatan "iteratif", dengan lelaran yang mungkin dicirikan sebagai penambahan pelajar lemah individu kepada satu model pelajar yang kuat.
Muat turun Percuma: Pembelajaran Mesin dan Mengapakah Ia Penting |
Berikut adalah perihalan yang menarik tentang bagaimana untuk melihat satu jenis peningkatan kecerunan pelaksanaan yang akan meningkatkan hasil pembelajaran mesin:
Pentadbir sistem terlebih dahulu menubuhkan satu set pelajar yang lemah. Fikirkan mereka, sebagai contoh, sebagai pelbagai entiti AF, masing-masing duduk di sekitar meja maya dan mengusahakan masalah, contohnya klasifikasi imej binari.
Dalam contoh di atas, jurutera akan menimbang setiap pelajar yang lemah, mungkin sewenang-wenangnya, memberikan tahap pengaruh kepada A, B, C, dan sebagainya.
Seterusnya, program ini akan menjalankan satu set latihan latihan. Kemudian, memandangkan hasilnya, ia akan menimbang semula pelbagai pelajar yang lemah. Jika A menduga lebih baik daripada B dan C, pengaruh A akan dibangkitkan dengan sewajarnya.
Dalam penerangan ringkas mengenai peningkatan algoritma meningkatkan, ia agak mudah untuk melihat bagaimana pendekatan yang lebih kompleks akan menghasilkan keputusan yang dipertingkatkan. Pelajar yang lemah adalah "berfikir bersama" dan seterusnya mengoptimumkan masalah ML.
Akibatnya, jurutera boleh menggunakan pendekatan "ensemble" untuk meningkatkan kecerunan dalam hampir apa-apa jenis projek ML, dari pengiktirafan imej ke pengkelasan cadangan pengguna, atau analisis bahasa semula jadi. Ia pada asasnya adalah "semangat berpasukan" pendekatan ML, dan yang mendapat banyak perhatian dari beberapa pemain yang kuat.
Rangsangan kecerunan khususnya kerap berfungsi dengan fungsi kehilangan yang berbeza.
Dalam model lain yang digunakan untuk menerangkan peningkatan kecerunan, satu lagi fungsi penambahan ini adalah untuk dapat mengasingkan klasifikasi atau pembolehubah yang, dalam gambaran yang lebih besar, hanya bunyi bising. Dengan memisahkan setiap pokok regresi atau struktur data berubah-ubah ke dalam domain satu pelajar yang lemah, para jurutera boleh membina model yang lebih tepat untuk "membunyikan" penanda bunyi. Dalam erti kata lain, penanda yang diliputi oleh pelajar lemah yang malang akan dipinggirkan kerana pelajar lemah itu ditimbang semula ke bawah dan diberi pengaruh kurang.