问：
工程师如何使用梯度增强来增强机器学习系统？
A：像其他类型的提升一样，梯度提升旨在通过学习潜力的一种数字“众包”将多个弱学习者转变为单个强学习者。 有人解释梯度提升的另一种方法是工程师添加变量以微调模糊的方程，以产生更精确的结果。
梯度提升也被描述为“迭代”方法，迭代的特征可能是将单个弱学习者添加到单个强学习者模型中。
| 免费下载： 机器学习及其重要性 |
这是有关如何看待可增强机器学习结果的梯度提升实现类型的引人注目的描述：
系统管理员首先设置了一组弱学习者。 例如，将它们想象成一个实体AF的数组，每个实体都围绕一个虚拟表并处理诸如二进制图像分类之类的问题。
在上面的示例中，工程师将首先对每个弱学习者进行加权（可能是任意加权），将影响程度分配给A，B，C等。
接下来，程序将运行一组给定的训练图像。 然后，根据结果，它将重新加权一系列弱学习者。 如果A的猜想比B和C好得多，A的影响力将相应提高。
在这种对增强算法增强的简单描述中，相对容易地看到更复杂的方法将如何产生增强的结果。 弱学习者正在“一起思考”，进而优化了机器学习问题。
结果，工程师可以在几乎所有类型的ML项目中使用“集成”的梯度增强方法，从图像识别到用户推荐分类或自然语言分析。 它本质上是ML的一种“团队精神”方法，并且得到了一些强大参与者的广泛关注。
特别是，梯度增强通常具有可微分的损失函数。
在用于解释梯度增强的另一个模型中，这种增强的另一个功能是能够隔离在更大的范围内仅仅是噪声的分类或变量。 通过将每个变量的回归树或数据结构分为一个弱学习者的领域，工程师可以构建模型，从而更准确地“听起来”噪声指示符。 换句话说，不幸的弱学习者所覆盖的指示符将被边缘化，因为该弱学习者被向下加权，并且受到的影响较小。
