ما المقصود بالتعزيز؟

يحسن التعزيز دقة تنبؤ نماذج الآلة وأداءها من خلال تحويل عدة متعلمين ضعفاء إلى نموذج تعلم قوي فردي. يمكن لنماذج التعلم الآلي أن يكونوا متعلمين ضعفاء أو متعلمين أقوياء:

المتعلمون الضعفاء

يتسم المتعلمون الضعفاء بدقة تنبؤ منخفضة، تشبه التخمين العشوائي. وهم عرضة لفرط الملاءمة—بمعنى أنه لا يمكنهم تصنيف البيانات التي تختلف كثيرًا عن مجموعة البيانات الأصلية الخاصة بهم. على سبيل المثال، إذا دربت النموذج للتعرف على القطط كحيوانات بآذان مدببة، فقد يُخطئ في التعرف على قطة بأذنين ملتفتين.

المتعلمون الأقوياء

يتسم المتعلمون الأقوياء بدقة تنبؤ أعلى. يعمل التعزيز على تحويل نظام المتعلمين الضعفاء إلى نظام تعلم قوي فردي. على سبيل المثال، للتعرف على صورة القطة، يجمع بين متعلم ضعيف يخمن من خلال الآذان المدببة ومتعلم آخر يخمن من خلال عيون تشبه عيون القطط. بعد تحليل صورة الحيوان بناءً على الآذان المدببة، يحللها النظام مرة أخرى بناءً على العيون التي تشبه عيون القطط. هذا يحسن دقة النظام العامة.

يختلف أسلوب التدريب بناءً على نوع عملية التعزيز التي يطلق عليها لوغاريتم التعزيز. ومع ذلك، يتخذ اللوغاريتم الخطوات العامة الآتية لتدريب نموذج التعزيز:

الخطوة 1

يعين لوغاريتم التعزيز وزنًا متساويًا لكل عينة من البيانات. ويغذي نموذج الآلة الأول، الذي يطلق عليه اللوغاريتم الأساسي، بالبيانات. يجري اللوغاريتم الأساسي تنبؤات لكل عينة من البيانات.

الخطوة 2

يقيم لوغاريتم التعزيز تنبؤات النموذج ويزيد وزن العينات بخطأ أكبر. كما يعين وزنًا بناءً على أداء النموذج. النموذج الذي يخرج تنبؤات ممتازة سيكون له قدر عالٍ من التأثير في القرار النهائي.

الخطوة 3

يمرر اللوغاريتم البيانات الموزونة إلى شجرة القرار التالية.

الخطوة 4

يكرر اللوغاريتم الخطوتين 2 و3 حتى تصبح مثيلات الأخطاء في التدريب أقل من مستوى معين.