Như phổ biến trong một số thuật toán học máy, Boosting phải chịu sự đánh đổi sai lệch về số lượng cây. Nói một cách lỏng lẻo, sự đánh đổi này cho bạn biết rằng: (i) các mô hình yếu có xu hướng sai lệch cao và phương sai thấp: chúng quá cứng để nắm bắt sự thay đổi trong tập dữ liệu huấn luyện, do đó sẽ không hoạt động tốt trong bộ thử nghiệm (thử nghiệm cao lỗi) (ii) các mô hình rất mạnh có xu hướng sai lệch thấp và phương sai cao: chúng quá linh hoạt và chúng phù hợp với tập huấn luyện, vì vậy trong tập kiểm tra (vì các bảng dữ liệu khác với tập huấn luyện), chúng cũng sẽ không hoạt động tốt (lỗi kiểm tra cao)
Khái niệm Tăng cường cây là bắt đầu với những cây nông (mô hình yếu) và tiếp tục thêm những cây nông hơn để cố gắng khắc phục những điểm yếu của cây trước đó. Khi bạn thực hiện quá trình này, lỗi kiểm tra có xu hướng giảm (vì mô hình tổng thể trở nên linh hoạt / mạnh mẽ hơn). Tuy nhiên, nếu bạn thêm quá nhiều cây trong số đó, bạn bắt đầu ghi đè dữ liệu huấn luyện và do đó lỗi kiểm tra tăng lên. Xác nhận chéo giúp tìm kiếm điểm ngọt ngào