Odborné vysvětlení: Boosting je technika souborného učení, která postupně buduje silný model kombinováním slabších modelů. Každý nový model se zaměřuje na chyby předchozích modelů. Boosting přiřazuje větší váhu špatně klasifikovaným případům, což nutí následující modely se na ně více soustředit. Výsledný model je váženou kombinací všech dílčích modelů.
Vysvětlení pro laiky: Boosting je jako když se učíte novou dovednost a postupně se zaměřujete na své slabé stránky. Například při učení cizího jazyka nejprve zvládnete základy, pak se soustředíte na oblasti, kde děláte nejvíce chyb, a postupně se zlepšujete. V AI to znamená, že počítač se učí po krocích, přičemž v každém kroku se snaží napravit chyby, které udělal v předchozích krocích.
Boosting is an ensemble learning technique that sequentially builds a strong model by combining weaker models. Each new model focuses on the errors of previous models. Boosting assigns greater weight to poorly classified cases, forcing subsequent models to focus more on them. The resulting model is a weighted combination of all sub-models.
