Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Boosting

Engels: Boosting

In het kort

Boosting is een methode in machine learning die meerdere losse modellen tot één gezamenlijke voorspelling samenvoegt. De modellen trainen na elkaar: elk volgend model bekijkt waar het vorige model fout zat en corrigeert die fouten, vooral om structurele afwijkingen (bias) te verkleinen. Zo worden deze terugkerende fouten kleiner, bijvoorbeeld bij het indelen van berichten of het schatten van een prijs.

Waarom is dit belangrijk?

Dankzij boosting wordt een lastige voorspelling scherper, zodat een computer beter kan aangeven welk risico het grootst is. In de zorg helpt dat artsen bij het inschatten van een nieuwe ziekenhuisopname of een ernstige complicatie. Patiënten en zorgteams krijgen zo eerder een duidelijk signaal, maar het model kan oude patronen te strak volgen en bij nieuwe gevallen alsnog fout zitten.

Zo werkt het in de praktijk

De commerciële zoekmachines van Yahoo en Yandex gebruiken varianten van boosting om gevonden pagina's te ordenen. Bij de Large Hadron Collider hielpen zulke varianten om uitkomsten van bestaande analyses op higgsgegevens te herhalen. Een studie vergeleek XGBoost, LightGBM en CatBoost voor kredietrisico op gegevens van American Express.

Onderzoekers van de Warsaw University of Technology vergelijken boosting-modellen voor de verwachte stroom van een windpark. Zij toetsen onder meer XGBoost, LightGBM en CatBoost op een termijn van tien minuten. Daarbij meten zij de voorspelfout en de tijd die het trainen van het model kost.

Een studie naar studieresultaten koppelt XGBoost aan CRISP-DM, een stappenplan van data tot gebruik. Het team doorliep die stappen en zette het model op een webpagina voor studieadviseurs.

Bron: en.wikipedia.org

Gecontroleerd op 23 oktober 2026