Tăng cường độ dốc là một kỹ thuật học máy cho các vấn đề hồi quy và phân loại, tạo ra mô hình dự đoán dưới dạng tập hợp các mô hình dự đoán yếu, điển hình là cây quyết định. Nó xây dựng mô hình theo kiểu từng giai đoạn giống như các phương pháp tăng cường khác đã làm và nó khái quát hóa chúng bằng cách cho phép tối ưu hóa hàm mất khả vi tùy ý.
Tăng cường độ dốc được đề xuất bởi Friedman (2001) và đã nhanh chóng trở thành một trong những thuật toán tăng cường phổ biến nhất cho việc học có giám sát. Nó có thể được sử dụng cho cả nhiệm vụ hồi quy và phân loại. Ví dụ: nó có thể cung cấp hỗ trợ để xác định tỷ lệ rời bỏ khách hàng (phân loại) và dự đoán doanh thu bán hàng (hồi quy).
Hoạt động của việc tăng cường độ dốc bao gồm ba yếu tố: người học yếu, hàm mục tiêu cần được tối ưu hóa và quy trình tìm kiếm. Những người học yếu thường là những cây quyết định và họ làm việc bằng cách đưa ra những quyết định đơn giản dựa trên các biến đầu vào. Hàm mục tiêu là thước đo khả năng dự đoán của mô hình và quy trình tìm kiếm xử lý các lựa chọn của người học yếu để xây dựng mô hình.
Ở mỗi bước, một cây quyết định được gắn với phần dư từ mô hình (sự khác biệt giữa giá trị thực và dự đoán từ các bước trước đó). Với mỗi bước, mô hình cố gắng tối đa hóa hàm mục tiêu thông qua thủ tục tìm kiếm. Những người học yếu được áp dụng tuần tự, mỗi người cố gắng giảm thiểu hàm mục tiêu bằng cách đưa ra dự đoán tốt nhất có thể.
Tăng cường độ dốc rất phổ biến vì nó có khả năng mở rộng, hoạt động trên nhiều vấn đề học máy và có hiệu quả. Nó thường tạo ra kết quả chính xác hơn các phương pháp tăng cường khác. Ngoài ra, nó có xu hướng hoạt động tốt với nhiều loại dữ liệu và cách phân phối khác nhau, điều này khiến nó trở thành lựa chọn tuyệt vời cho những người mới bắt đầu học máy.
