Co je boosting?

Boosting je metoda ensemble učení, která sekvenčně trénuje několik slabých modelů (obvykle rozhodovacích stromů), z nichž každý opravuje chyby předchozích. Na konci vznikne silný model s vysokou přesností. Hlavní myšlenkou je věnovat větší pozornost v každém kroku objektům, na kterých se předchozí modely mýlily.

Příklad: AdaBoost, Gradient Boosting, XGBoost — populární implementace boostingu.

Příklad v Pythonu s sklearn:

from sklearn.ensemble import GradientBoostingClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

model = GradientBoostingClassifier(n_estimators=100, learning_rate=0.1)
model.fit(X_train, y_train)
print(f"Přesnost: {model.score(X_test, y_test):.2f}")