ভবিষ্যদ্বাণীকারীদের পরিচালনা (বেস শিখার, উদাহরণস্বরূপ স্টাম্পের মাধ্যমে) এবং উত্সাহদানের ক্ষেত্রে ক্ষতির ক্রিয়াকলাপটিকে হ্যান্ডলিং করার বিষয়টি গুলিয়ে ফেলবেন না। যদিও অ্যাডাবোস্টকে ভুল শ্রেণিবদ্ধকরণ ত্রুটি হ্রাস করার জন্য বেস লার্নার্সের সংমিশ্রণের সন্ধানের কথা ভাবা যেতে পারে, আপনি যে "অ্যাডেটিভ লজিস্টিক রিগ্রেশন" পেপারটি উদ্ধৃত করেছেন তা দেখায় যে এটি কোনও ক্ষতিকারক ক্ষতির ক্রিয়াকে হ্রাস করতেও তৈরি করা যেতে পারে। এই অন্তর্দৃষ্টিটি গ্রেডিয়েন্ট বুস্টিংয়ের মাধ্যমে মেশিন-লার্নিং সমস্যার একটি বিস্তৃত শ্রেণীর জন্য উত্সাহিত পদ্ধতির প্রসার ঘটিয়েছে যা পার্থক্যজনিত ক্ষতির ক্রিয়াকে হ্রাস করে । প্রতিটি পদক্ষেপে ফিট থাকা অবশিষ্টাংশ হ'ল লোকসান ফাংশনের গ্রেডিয়েন্ট থেকে গণনা করা ছদ্ম-অবশিষ্টাংশ । এমনকি ভবিষ্যদ্বাণীকারীদের বাইনারি স্টাম্প হিসাবে মডেল করা হলেও, মডেলের আউটপুটটি বাইনারি পছন্দ হওয়ার দরকার নেই।
অন্য উত্তরের হিসাবে বলা হয়েছে, লিনিয়ার বেস শিখাগুলি বুস্টিংয়ের জন্য কাজ করতে পারে না তবে স্ট্যান্ডার্ড বা লজিস্টিক অর্থে লাইনারি বেস লার্নার্স "বুস্টেড রিগ্রেশন" এর জন্য প্রয়োজন হয় না। যথাযথ ক্ষতির কার্যকারিতা হ্রাস করার জন্য সিদ্ধান্তহীনভাবে অ-লিনিয়ার স্টাম্পগুলি স্লো বেস লার্নার হিসাবে সংযুক্ত করা যেতে পারে। এটি এখনও "বুস্টেড রিগ্রেশন" নামে পরিচিত যদিও এটি ভবিষ্যদ্বাণীকের সহগগুলির মধ্যে একটি আদর্শ রেগেশন মডেল লিনিয়ার থেকে দূরে is ক্ষতির কার্যকারিতা লিনিয়ার মডেলগুলির জন্য কার্যকরভাবে একই হতে পারে এবং "বুস্টেড রিগ্রেশন" মডেলগুলির জন্য স্টম্প বা গাছের সাথে পূর্বাভাসক হিসাবে থাকে। আইএসএলআর 8 এর অধ্যায়টি এটি বেশ পরিষ্কার করে দিয়েছে।
সুতরাং যদি আপনি উত্সাহিত রিগ্রেশন সমতুল্য একটি লজিস্টিক-রিগ্রেশন চান তবে বেস লার্নারদের চেয়ে লস ফাংশনে ফোকাস করুন। আপনি যে কাগজটি উদ্ধৃত করেছেন তাতে লজিটবুস্ট পদ্ধতির কাজটি হ'ল: অ্যাডাবুস্টে অন্তর্ভুক্ত ক্ষতিকারক ক্ষতির চেয়ে একটি লগ-ক্ষতি হ্রাস করুন। উইকিপিডিয়া অ্যাডাবোস্ট পৃষ্ঠায় এই পার্থক্যটি বর্ণনা করা হয়েছে।
এই সাইটের অনেক অংশগ্রহীতা যুক্তি দিতেন যে কোনও লগ-প্রতিক্রিয়া / সম্ভাবনা ভিত্তিক পূর্বাভাস কঠোর হ্যাঁ / কোনও শ্রেণিবিন্যাসের পূর্বাভাসের চেয়ে বেশি পছন্দনীয়, কারণ প্রাক্তন আরও সাধারণভাবে ভুয়া-পজিটিভ এবং ভুয়া-নেতিবাচক ভবিষ্যদ্বাণীগুলির অতিরিক্ত ব্যয়ের মধ্যে বিভিন্ন ট্রেড অফের অনুমতি দেয় । হিসাবে আপনার সম্পর্কিত প্রশ্নের উত্তর ইঙ্গিত, এটা শক্তিশালী ক্লাসিফায়ার AdaBoost থেকে প্রাপ্ত থেকে আনুমানিক সম্ভাব্যতা প্রাপ্ত করা সম্ভব, কিন্তু LogitBoost ভাল ভাল পারফরম্যান্স দিতে পারে।
শ্রেণিবদ্ধকরণের জন্য গ্রেডিয়েন্ট বুস্টিংয়ের প্রয়োগগুলি অন্তর্নিহিত সম্ভাব্যতার উপর তথ্য সরবরাহ করতে পারে। উদাহরণস্বরূপ, গ্রেডিয়েন্টsklearn বুস্টিংয়ের এই পৃষ্ঠাটি দেখায় যে কোডটি কীভাবে লজিস্টিক রিগ্রেশন এবং অ্যাডাবোস্টের জন্য ক্ষতিকারক ক্ষতির জন্য বিচ্যুতি ক্ষতি এবং গ্রেডিয়েন্ট-বুস্টেড মডেল থেকে সম্ভাব্যতার পূর্বাভাস দেওয়ার জন্য নথি ফাংশনগুলির মধ্যে একটি চয়ন করার অনুমতি দেয়।