मेरे पास पाठ्य-पुस्तक का उत्तर नहीं है। हालाँकि यहाँ कुछ विचार हैं।
बैगिंग के साथ बूस्टिंग को प्रत्यक्ष तुलना में देखा जा सकता है। ये पूर्वाग्रह विचरण व्यापार दुविधा के दो अलग-अलग दृष्टिकोण हैं। बैगिंग के रूप में कमजोर शिक्षार्थी होते हैं, कम पूर्वाग्रह और उच्च विचरण के साथ कुछ शिक्षार्थियों, बैगिंग पहनावा के औसत से थोड़ा पूर्वाग्रह के लिए विचरण को कम करते हैं। दूसरी ओर बूस्टिंग विभिन्न कमजोर शिक्षार्थियों के साथ अच्छी तरह से काम करता है। बूस्टिंग कमजोर शिक्षार्थियों में उच्च पूर्वाग्रह और निम्न विचरण होता है। एक सीखने वाले को दूसरे के शीर्ष पर बनाकर, बूस्टिंग पहनावा पूर्वाग्रह को कम करने की कोशिश करता है, थोड़ा विचरण के लिए।
परिणामस्वरूप, यदि आप उदाहरण के लिए विचार करते हैं कि पेड़ों को कमजोर शिक्षार्थियों के रूप में बैगिंग और बूस्टिंग का उपयोग करना है, तो उपयोग करने का सबसे अच्छा तरीका छोटे / छोटे पेड़ों को बढ़ावा देने और बैगिंग के साथ बहुत विस्तृत पेड़ हैं। यही कारण है कि बहुत बार एक बूस्टिंग प्रक्रिया कमजोर शिक्षार्थी के रूप में एक निर्णय स्टंप का उपयोग करती है, जो कि सबसे कम संभव पेड़ है (एक एकल आयाम पर एक शर्त)। यह निर्णय स्टंप बहुत स्थिर है, इसलिए इसमें बहुत कम विचरण है।
मैं बूस्टिंग प्रक्रियाओं के साथ पेड़ों का उपयोग करने का कोई कारण नहीं देखता हूं। हालांकि, छोटे पेड़ सरल, लागू करने में आसान और समझने में आसान होते हैं। हालांकि, मुझे लगता है कि एक बूस्टिंग प्रक्रिया के साथ सुसाइड करने के लिए, आपके कमजोर शिक्षार्थी को कम विचरण करना पड़ता है, बहुत कम डिग्री के साथ कठोर होना पड़ता है। उदाहरण के लिए मुझे एक कमजोर शिक्षार्थी के रूप में एक तंत्रिका नेटवर्क के लिए कोई मतलब नहीं है।
इसके अतिरिक्त, आपको यह ध्यान रखना होगा कि कुछ प्रकार की बढ़ावा देने वाली प्रक्रियाओं के लिए, उदाहरण के लिए ढाल को बढ़ावा देने के लिए, ब्रीमन ने पाया कि यदि कमजोर शिक्षार्थी एक पेड़ है, तो इस तरीके से कुछ अनुकूलन कि कैसे बढ़ावा देने वाले कार्य किए जा सकते हैं। इस प्रकार हमारे पास ढाल बढ़ाने वाले पेड़ हैं। ईएसटीएल पुस्तक में बढ़ावा देने का एक अच्छा प्रदर्शन है।