boosttyyppiset
Boosttyyppiset ovat koneoppimisen ensemble-menetelmiä, joiden tarkoitus on parantaa ennusteita yhdistämällä useita heikkoja malleja. Yleensä perusmallina käytetään yksinkertaista mallia, kuten päätöspuuta, ja seuraavat mallit oppivat edellisen mallin virheistä, jolloin kokonaismallista muodostuu vahvempi.
Boosting-ideaa kehitettiin 1990-luvulla AdaBoostin ympärille, ja myöhemmin kehittyi gradient boosting -lähestymistapa, jossa seuraava malli optimoidaan virheen
Tyypiltään boostaus-menetelmät voivat kuulua AdaBoostin perheeseen (adaptive boosting) tai gradient boosting -perheeseen; moderneissa toteutuksissa yhdistyvät näiden
Käyttökohteet ovat erityisesti taulukkotiedot, joissa epälineariteetit ja vuorovaikutukset muuttujien välillä ovat tavallisia. Boosttyyppiset menetelmät voivat saavuttaa
Lisätietoja: AdaBoost, Gradient Boosting, XGBoost, LightGBM, CatBoost.