Xem thêm một câu hỏi tương tự trên stats.SE .
Trong các thuật toán thúc đẩy như AdaBoost và LPBoost , người ta biết rằng những người học "yếu" được kết hợp chỉ phải thực hiện tốt hơn cơ hội có ích, từ Wikipedia:
Các trình phân loại mà nó sử dụng có thể yếu (nghĩa là hiển thị tỷ lệ lỗi đáng kể), nhưng miễn là hiệu suất của chúng không phải là ngẫu nhiên (dẫn đến tỷ lệ lỗi 0,5 cho phân loại nhị phân), chúng sẽ cải thiện mô hình cuối cùng. Ngay cả các bộ phân loại có tỷ lệ lỗi cao hơn mong đợi từ bộ phân loại ngẫu nhiên cũng sẽ hữu ích, vì chúng sẽ có hệ số âm trong tổ hợp tuyến tính cuối cùng của bộ phân loại và do đó hoạt động giống như nghịch đảo của chúng.
Lợi ích của việc sử dụng yếu so với người học mạnh là gì? (ví dụ tại sao không tăng cường với các phương pháp học tập "mạnh mẽ" - chúng ta có dễ bị thừa hơn không?)
Có một số loại sức mạnh "tối ưu" cho những người học yếu? Và điều này có liên quan đến số lượng người học trong đoàn không?
Có lý thuyết nào để sao lưu câu trả lời cho những câu hỏi này không?