Boosting היא טכניקת למידת אנסמבל רבת עוצמה המשמשת בתחום הבינה המלאכותית ולמידת מכונה כדי לשפר את הדיוק והביצועים של מודלים חזויים. זה כרוך בשילוב של מספר מודלים חלשים או בסיסיים כדי ליצור מודל חיזוי חזק שעולה על מודלים בודדים. הגברת פועלת באופן איטרטיבי על ידי מתן משקל רב יותר למופעים שסווגו לא נכון בכל איטרציה, ומבטיחה שהמודלים הבאים מתמקדים בתיקון שגיאות קודמות. כל דגם חלש באנסמבל מאומן לטפל בחולשות של הקודמים, וליצור ביחד מודל חזק ומדויק.
אלגוריתמי חיזוק, כגון AdaBoost ו- Gradient Boosting, הפכו לכלים חיוניים לפתרון בעיות סיווג ורגרסיה מורכבות. ב-AdaBoost, האלגוריתם מקצה משקלים גבוהים יותר למופעים שסווגים בצורה שגויה ומתאים את המיקוד של המודל בהתאם. ב- Gradient Boosting, מודלים מאומנים ברצף, כאשר כל איטרציה מתקנת את השגיאות של הקודמים. תהליך איטרטיבי זה משפר את יכולות הניבוי של המודל על ידי מזעור השגיאות השיוריות. חיזוק יעיל במיוחד כאשר למודלים הבסיסיים יש דיוק נמוך אך חוזקות משלימות, המאפשרות להרכב ללכוד דפוסים מגוונים בנתונים ולהשיג דיוק חיזוי גבוה.
