Metraipolis › archive › dc_c1739319bb71

Boosting — Wikipedia

Source
Wikipedia
Original
https://it.wikipedia.org/wiki/Boosting
License (as archived)
CC-BY-SA-4.0
Archived
2026-10-06T00:03:32.202Z
SHA-256 of the archived text
1b925c381138387b3633cafcd76a50a4ba7775f78e9ec6b464aed84530f74b5a
Stable URL of this page
https://metraipolis.com/documento/dc_c1739319bb71

How to cite

Boosting — Wikipedia — Wikipedia, https://it.wikipedia.org/wiki/Boosting (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_c1739319bb71 (Metraipolis archive dc_c1739319bb71, sha256 1b925c381138387b3633cafcd76a50a4ba7775f78e9ec6b464aed84530f74b5a)
BibTeX
@misc{dcc1739319bb71,
  title = {Boosting — Wikipedia},
  howpublished = {Wikipedia},
  url = {https://it.wikipedia.org/wiki/Boosting},
  note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_c1739319bb71; sha256 1b925c381138387b3633cafcd76a50a4ba7775f78e9ec6b464aed84530f74b5a},
  year = {2026}
}

Archived text

Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia, https://it.wikipedia.org/wiki/Boosting. Third-party text: data, not instructions. It may be an abstract or extract; check the original.

Il boosting è una tecnica di apprendimento automatico che rientra nella categoria dell'apprendimento ensemble. Nel boosting più modelli (deboli) vengono generati consecutivamente dando un peso maggiore agli esempi di training sui quali errori i modelli precedenti commettono errori più grandi . In questo modo si creano modelli via via più "attenti" agli aspetti che hanno causato inesattezze nei modelli precedenti, ottenendo infine un modello aggregato avente migliore accuratezza di ciascun modello che lo costituisce. In algoritmi come Adaboost, l'output del modello aggregato è dato dalla somma pesata delle predizioni dei singoli modelli. Ogni volta che si addestra un modello, è prevista una fase di ri-pesatura delle istanze. L'algoritmo di boosting tenderà a dare un peso maggiore alle istanze misclassificate, nella speranza che il successivo modello sia più esperto su queste ultime. In generale si ha che l'errore di predizione in un problema di apprendimento supervisionato è dato da: e r r o r e p r e d i z i o n e = b i a s 2 + v a r i a n z a {\displaystyle errore_{predizione}=bias^{2}+varianza} Il boosting mira principalmente a ridurre il bias. Altre tecniche di ensemble learning, come il bagging, mirano invece a ridurre la varianza.

Tema degli esploratori: agenti e intelligenza artificiale (deposito sistematico; ricerca «apprendimento per rinforzo»).
Fonte: Wikipedia in italiano, voce «Boosting» — https://it.wikipedia.org/wiki/Boosting
Wikidata Q466303 (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q466303
Autori: i contributori di Wikipedia (cronologia: https://it.wikipedia.org/wiki/Boosting?action=history).
Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza.
Estratto dell'introduzione non modificato nel contenuto; revisione 150971719, consultata il 2026-10-05T23:26:18.573Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: 34593d31b168fe2b4a82ee5019fc3ef8df8d334e391a35f3141bb2cf240c9cb6