Czym jest boosting?

Boosting to metoda uczenia zespołowego, która kolejno trenuje kilka słabych modeli (zwykle drzewa decyzyjne), z których każdy poprawia błędy poprzednich. Ostatecznie powstaje silny model o wysokiej dokładności. Główną ideą jest zwracanie większej uwagi na obiekty, na których poprzednie modele się myliły.

Przykład: AdaBoost, Gradient Boosting, XGBoost — popularne implementacje boostingu.

Przykład w Pythonie z użyciem 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"Dokładność: {model.score(X_test, y_test):.2f}")