Odborné vysvětlení: AdaBoost (Adaptive Boosting) je algoritmus boosting, který iterativně trénuje slabé klasifikátory na různě vážených verzích datasetu. Po každé iteraci se zvyšují váhy špatně klasifikovaných případů, což nutí následující klasifikátory se na ně více zaměřit. Konečný model je váženou kombinací všech slabých klasifikátorů, kde váhy jsou určeny jejich přesností.
Vysvětlení pro laiky: AdaBoost je jako když se učíte řešit složitý matematický problém. Začnete s jednoduchými pravidly, ale pokaždé, když uděláte chybu, věnujete této části více pozornosti. Postupně se zlepšujete tím, že se soustředíte na své slabiny. V AI to znamená, že počítač se učí po krocích, přičemž v každém kroku věnuje zvláštní pozornost případům, které předtím nezvládl správně řešit.
AdaBoost (Adaptive Boosting) is a boosting algorithm that iteratively trains weak classifiers on differently weighted versions of the dataset. After each iteration, the weights of misclassified cases are increased, forcing subsequent classifiers to focus more on them. The final model is a weighted combination of all weak classifiers, where the weights are determined by their accuracy.
