التعزيز (Boosting) هو مصطلح ظهر في مقالات قرمصيص ويستحق شرحاً مستقلاً. أسلوب تعلم جماعي يبني نماذج متتابعة يركز كل منها على أخطاء ما سبقه. فهمه يساعدك على قراءة الشروحات ونتائج التجارب من غير خلط بين الاسم ووظيفته الفعلية.
باختصار
أسلوب تعلم جماعي يبني نماذج متتابعة يركز كل منها على أخطاء ما سبقه.
بالتفصيل
على عكس التدريب المستقل في Bagging، تتكون سلسلة يكون فيها لكل نموذج دور تصحيحي. تُجمع النماذج الضعيفة في متنبئ قوي، لكن الحساسية للضوضاء والإفراط في التخصيص تتطلب ضبط العمق ومعدل التعلم وعدد الجولات.
الفكرة العملية هي النظر إلى مكان المصطلح داخل خط العمل: ما البيانات التي تدخل إليه، وما النتيجة التي ينتجها، وما التكلفة أو الافتراض الذي يضيفه. المقارنة العادلة تحتاج تجربة على بيانات منفصلة ومقياس مناسب، لا الاعتماد على الاسم أو الشهرة وحدهما.
مثال عملي
في كشف الاحتيال، يركز نموذج لاحق على الحالات التي أخطأت الأشجار السابقة في تصنيفها حتى تتحسن الحدود الفاصلة.
خلي بالك: التعزيز ليس ضماناً للتحسن؛ البيانات الملوثة أو الإعدادات العدوانية قد تضخم الأخطاء بدلاً من إصلاحها.
مصطلحات مرتبطة
Ensemble Learning، AdaBoost، Gradient Boosting. قراءة هذه المصطلحات معاً توضح العلاقة بين البيانات والتدريب والتقييم والتشغيل.
المصادر: scikit-learn
