부스팅

기계 학습과 데이터 마이닝

패러다임 지도 학습 비지도 학습 온라인 기계 학습 메타-학습 준지도 학습 자기 지도 학습 강화 학습 규칙 기반 기계 학습 뉴로모픽 엔지니어링 양자 기계 학습
문제 분류 생성 모델 회귀 분석 클러스터 분석 차원 축 이상 탐지 데이터 정제 AutoML 연관 규칙 학습 구조 기반 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모달 학습
지도 학습 (통계적 분류 • 회귀 분석) 결정 트리 학습법 앙상블 학습법 배깅 부스팅 랜덤 포레스트 최근접 이웃 탐색 k-NN 선형 회귀 나이브 베이즈 인공신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신(RVM) 서포트 벡터 머신(SVM)
클러스터 분석 BIRCH CURE 알고리즘 계층적 군집화 k-평균 알고리즘 퍼지 클러스터링 기댓값 최대화 알고리즘 DBSCAN OPTICS 평균이동
차원 축소 인자 분석 CCA 독립 성분 분석 선형 판별 분석 음수 미포함 행렬 분해 주성분 분석 t-SNE
구조적 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형 잠재 디리클레 할당
이상 탐지 무작위 표본 합의 k-최근접 이웃 알고리즘 국소 특이점 요인 고립 포레스트
인공 신경망 오토인코더 딥 러닝 순방향 신경망 순환 신경망 LSTM GRU 볼츠만 머신 제한된 생성적 적대 신경망 확산 모델 자기조직화 지도 합성곱 신경망 U-Net LeNet 알렉스넷 딥드림 신경장 신경 방사장 물리정보 신경망 트랜스포머 비전 맘바 스파이킹 신경망 멤트렌지스터 전기화학 RAM 다층 퍼셉트론
강화 학습 Q 러닝 SARSA 시간차 학습
인간 참여학습 액티브 러닝 크라우드소싱 휴먼인더루프 RLHF
모델 진단 결정계수 혼동 행렬 러닝 커브 수신자 조작 특성
수학적 이론 커널 메소드 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 PAC 러닝 통계적 학습이론 VC 이론
회의/저널 NeurIPS ICML ICLR ML JMLR
관련 문서 기계 학습 알고리즘 목록 기계 탈학습 지식 증류 유사도 학습 대조 학습
v t e

부스팅(boosting)은 기계 학습에서 지도 학습의 편향과 분산을 주로 줄이기 위한 앙상블 메타 알고리즘이자 약한 학습자를 강한 학습자로 변환하는 기계 학습 알고리즘 계열이다. 부스팅은 컨스(Kearns)와 밸리언트(Valiant, 1988, 1989)가 제기한 질문인 "약한 학습자 집합이 하나의 강력한 학습자를 만들 수 있는가?"라는 질문을 기반으로 한다. 약한 학습자는 실제 분류와 약간만 상관관계가 있는 분류자로 정의된다(무작위 추측보다 사례에 더 나은 레이블을 지정할 수 있음). 대조적으로, 강력한 학습자는 실제 분류와 임의의 상관관계가 있는 분류자이다.

컨스와 밸리언트의 질문에 대한 1990년 논문에서 로버트 샤파이어(Robert Schapire)의 긍정적인 대답은 기계 학습과 통계학에 상당한 영향을 미쳤으며 특히 부스팅의 발전으로 이어졌다.^[1]

처음 선보였을 때 가설 강화 문제는 단순히 약한 학습자를 강한 학습자로 바꾸는 과정을 의미했다.

구현체

같이 보기

외부 링크

Robert E. Schapire (2003); The Boosting Approach to Machine Learning: An Overview, MSRI (Mathematical Sciences Research Institute) Workshop on Nonlinear Estimation and Classification
Zhou Zhi-Hua (2014) Boosting 25 years 보관됨 2016-08-20 - 웨이백 머신, CCL 2014 Keynote.