የመሰብሰቢያ ዘዴዎች እና ቀስ በቀስ መጨመር

Gradient boosting is the most powerful of these — it builds trees one at a time, each correcting the errors of the last, and dominates real-world tabular machine learning.

ስብስቦች በቀላል ሀሳብ ላይ ያርፋሉ፡ ብዙ ደካማ ተማሪዎች፣ ሲጣመሩ፣ ጠንካራ ሊመሰርቱ ይችላሉ። ሁለት ቤተሰቦች ይመራሉ. ቦርሳ (ለምሳሌ፣ Random Forests) ብዙ ዛፎችን በትይዩ በዘፈቀደ ናሙናዎች ያሠለጥናል እና በአማካይ ያዘጋጃል፣ ይህም በዋናነት ልዩነትን ይቀንሳል። ሞዴሎችን ማሳደግ በቅደም ተከተል ያሠለጥናል ፣ እያንዳንዱም ቀደም ሲል በነበሩት ስህተቶች ላይ ያተኩራል ፣ ይህ በዋነኝነት አድልዎ ይቀንሳል። ቀስ በቀስ መጨመር እያንዳንዱን አዲስ ዛፍ ከአሉታዊው ቅልመት - ቀሪ ስህተቶች - እስከ አሁን ያለውን የኪሳራ ተግባር የሚያሟላ እርምጃ አድርጎ ይቀርጻል። እንደ XGBoost፣ LightGBM እና CatBoost ያሉ ቤተ-መጻሕፍት መደበኛነትን፣ ብልህ ክፍፍልን እና የፍጥነት ዘዴዎችን ይጨምራሉ። በተዋቀረ/ታቡላር መረጃ ላይ - ማጭበርበርን መለየት፣ ዋጋ አወጣጥ፣ ደረጃ አሰጣጥ - እነዚህ ዘዴዎች በመደበኛነት ጥልቅ ትምህርትን በማሸነፍ አብዛኛዎቹን የKaggle ውድድሮች አሸንፈዋል።