Mi az a boosting?

A boosting egy ensemble tanulási módszer, amely sorozatban több gyenge modellt (általában döntési fákat) tanít, mindegyik javítva az előzőek hibáit. Végül egy erős, magas pontosságú modellt kapunk. A fő ötlet az, hogy minden lépésben nagyobb figyelmet fordítunk azokra az objektumokra, amelyeken az előző modellek hibáztak.

Példa: AdaBoost, Gradient Boosting, XGBoost — népszerű boosting megvalósítások.

Python példával sklearn használatával:

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"Pontosság: {model.score(X_test, y_test):.2f}")