Boosting (Ensemble technika)

Boosting je metoda v rámci ensemble learningu, která kombinuje několik slabších modelů (např. rozhodovacích stromů) do jednoho silnějšího prediktoru. Každý nový model se soustředí na případy, které předchozí modely klasifikovaly chybně, a tím zvyšuje celkovou přesnost systému. Boosting se často používá v soutěžích v oblasti strojového učení a za jeho pomoci vznikly velmi úspěšné algoritmy jako XGBoost nebo AdaBoost. Je oblíbený pro svou schopnost dosahovat vysoké přesnosti i při práci s různorodými daty.