Boosting ist eine maschinelle Lernmethode, die in der künstlichen Intelligenz verwendet wird, um die Leistung von Vorhersagemodellen zu verbessern. Die Grundidee besteht darin, mehrere schwache Modelle zu kombinieren, um ein starkes Vorhersagemodell zu erstellen. Jedes schwache Modell ist für sich genommen möglicherweise nicht besonders präzise, doch durch geschickte Kombination können die Gesamtleistung und die Genauigkeit deutlich gesteigert werden.
Die Methode arbeitet iterativ: Zunächst wird ein einfaches Basismodell trainiert, das möglicherweise nur eine moderate Genauigkeit aufweist. Das Boosting-Verfahren identifiziert dann die Fälle, in denen das Modell Fehler macht, und trainiert in den nächsten Schritten Modelle, die sich auf diese problematischen Fälle konzentrieren. Jedes neue Modell wird so angepasst, dass es die Fehler des Vorgängers korrigiert. Dieser Prozess wird solange wiederholt, bis die gewünschte Leistung erreicht ist.
Ein großer Vorteil von Boosting ist seine Fähigkeit, komplexe Datenmengen zu handhaben und hochpräzise Vorhersagen zu liefern. Es eignet sich sowohl für Klassifikations- als auch für Regressionsaufgaben und ist in vielen Anwendungsbereichen wie Textanalyse, Bilderkennung oder Kundenbewertung einsetzbar. Allerdings kann Boosting anfällig für Overfitting sein, insbesondere wenn die Modelle nicht angemessen regularisiert werden. Zudem kann die Berechnung bei großen Datensätzen ressourcenintensiv sein.
Ein Beispiel ist die Anwendung in der Kundenabwanderungsprognose. Durch das Kombinieren mehrerer Modelle kann das System genauer vorhersagen, welche Kunden ein Unternehmen verlassen werden, wodurch gezielte Maßnahmen zur Kundenbindung ergriffen werden können.