P:
Kako inženjeri mogu koristiti povećavanje gradijenta za poboljšanje sustava strojnog učenja?
A:Kao i druge vrste poticanja, gradijentno povećavanje nastoji pretvoriti više slabih učenika u jednog jakog učenika, u neku vrstu digitalnog "gužve" potencijala za učenje. Drugi način na koji neki objašnjavaju povećanje gradijenta jest taj da inženjeri dodaju varijable kako bi precizno prilagodili nejasnu jednadžbu, kako bi dobili preciznije rezultate.
Pojačanje gradijenta opisano je i kao "iterativni" pristup, pri čemu bi iteracije mogle biti okarakterizirane kao dodatak pojedinih slabih polaznika jedinstvenom modelu učitelja.
| Besplatno preuzimanje: Strojno učenje i zašto je to važno |
Evo uvjerljivog opisa kako se traži vrsta implementacije za povećanje gradijenta koja će poboljšati rezultate strojnog učenja:
Administratori sustava prvo su postavili skup slabih učenika. Zamislite ih, na primjer, kao niz entiteta AF, svaki je sjedio oko virtualnog stola i radio na problemu, na primjer, razvrstavanju binarne slike.
U gornjem primjeru, inženjeri će najpre ocijeniti svakog slabog učenika, možda i proizvoljno, dodijelivši razinu utjecaja A, B, C, itd.
Zatim će program pokrenuti određeni skup slika s treninga. Zatim će, s obzirom na rezultate, ponovno se izračunavati niz slabih učenika. Ako je A pogodio mnogo bolji od B i C, A utjecaj će se povećati u skladu s tim.
U ovom pojednostavljenom opisu poboljšanja algoritma za jačanje algoritma, relativno je lako vidjeti kako će složeniji pristup dati poboljšane rezultate. Slabi učenici "razmišljaju zajedno" i zauzvrat optimiziraju problem ML-a.
Kao rezultat, inženjeri mogu primijeniti "ansambl" pristup povećanja gradijenta u gotovo bilo kojem ML ML projektu, od prepoznavanja slike do klasifikacije korisničkih preporuka ili analize prirodnog jezika. To je u osnovi „timski duh“ pristupa ML-u i onaj koji privlači puno pažnje od nekih moćnih igrača.
Posebno pojačano prešanje, često djeluje s različitom funkcijom gubitaka.
U drugom modelu koji se koristi za objašnjenje povećanja gradijenta, druga je funkcija ove vrste poticanja mogućnost izoliranja klasifikacija ili varijabli koje su, u široj slici, samo šum. Razdvajanjem regresijskog stabla svake pojedine varijable ili strukture podataka u domenu jednog slabog učenika, inženjeri mogu izgraditi modele koji će preciznije "zvučati" označivače buke. Drugim riječima, označitelj koji pokriva nesretni slab učenik bit će marginaliziran jer će se onaj slab učenik ponovno vagati prema dolje i manje mu je utjecati.
