تعزيز التدرج هو أسلوب للتعلم الآلي لمشكلات الانحدار والتصنيف، والذي ينتج نموذج تنبؤ في شكل مجموعة من نماذج التنبؤ الضعيفة، وعادةً ما تكون أشجار القرار. إنه يبني النموذج بطريقة مرحلية مثل طرق التعزيز الأخرى، ويعممها من خلال السماح بتحسين وظيفة الخسارة التعسفية القابلة للتمييز.
تم اقتراح تعزيز التدرج بواسطة فريدمان (2001) وسرعان ما أصبح أحد خوارزميات التعزيز الأكثر شيوعًا للتعلم الخاضع للإشراف. ويمكن استخدامه لكل من مهام الانحدار والتصنيف. على سبيل المثال، يمكنه تقديم الدعم لتحديد تراجع العملاء (التصنيف) والتنبؤ بإيصالات المبيعات (الانحدار).
تتضمن أعمال تعزيز التدرج ثلاثة عناصر: المتعلمون الضعفاء، والوظيفة الموضوعية التي يجب تحسينها، وإجراءات البحث. عادةً ما يكون المتعلمون الضعفاء عبارة عن أشجار قرارات، ويعملون من خلال تقديم قرارات بسيطة بناءً على متغيرات المدخلات. دالة الهدف هي مقياس للقوة التنبؤية للنموذج، ويتعامل إجراء البحث مع اختيارات المتعلم الضعيف لبناء النموذج.
في كل خطوة، يتم تركيب شجرة القرار على البقايا من النموذج (الفرق بين القيم الحقيقية والتنبؤات من الخطوات السابقة). مع كل خطوة، يحاول النموذج تعظيم وظيفة الهدف من خلال إجراء البحث. يتم تطبيق المتعلمين الضعفاء بشكل تسلسلي، حيث يحاول كل منهم تقليل الوظيفة الموضوعية من خلال إنتاج أفضل تنبؤ ممكن.
يحظى تعزيز التدرج بشعبية كبيرة لأنه قابل للتطوير ويعمل على مجموعة متنوعة من مشكلات التعلم الآلي وفعال. عادةً ما تنتج نتائج أكثر دقة من طرق التعزيز الأخرى. بالإضافة إلى ذلك، فهو يميل إلى العمل بشكل جيد مع مجموعة متنوعة من أنواع البيانات والتوزيعات، مما يجعله خيارًا رائعًا لأولئك الذين بدأوا للتو في تعلم الآلة.
