Новая разработка НИУ ВШЭ и Сбера ускорит машинное обучение

В области анализа данных исследователи постоянно ищут способы повышения эффективности алгоритмов машинного обучения. Среди этих алгоритмов градиентный бустинг выделяется как один из наиболее эффективных методов решения задач классификации и регрессии. Недавно на конференции NeurIPS группа исследователей из факультета компьютерных наук Высшей школы экономики (ВШЭ) и лаборатории искусственного интеллекта Сбера представила свою новаторскую работу по ускорению скорости градиентного бустинга.
Сила градиентного бустинга

Большинство задач анализа данных предполагают составление прогнозов на основе имеющихся данных. Сюда можно отнести задачи классификации, где целью является определение принадлежности объекта к тому или иному классу, или задачи регрессии, которые направлены на прогнозирование числовых значений. В практических приложениях нередко встречаются ситуации с большим количеством классов или регрессией высокой размерности.
Для решения таких задач исследователи часто обращаются к градиентному бустингу — сложному алгоритму машинного обучения, который отлично справляется с задачами классификации и регрессии. Он строит прогнозы с помощью ансамбля слабых моделей, объединяя несколько слабых моделей в одну мощную.