Redigerer Gradientforsterkning (avsnitt)

== Ulemper ==
Selv om forsterkning kan øke nøyaktigheten til en basislærende, for eksempel et beslutningstre eller [[lineær regresjon]], ofrer det forståelighet og [[tolkbarhet]].<ref name=":1">{{Cite journal|last=Piryonesi|first=S. Madeh|date=2020-03-01|title=Data Analytics in Asset Management: Cost-Effective Prediction of the Pavement Condition Index|url=https://ascelibrary.org/doi/abs/10.1061/%28ASCE%29IS.1943-555X.0000512}}</ref><ref>{{Cite journal|last=Wu|first=Xindong|date=2008-01-01|title=Top 10 algorithms in data mining}}</ref> For eksempel er det [[Trivialitet (matematikk)|trivielt]] og selvforklart å følge stien som et beslutningstre tar for sin beslutning, men det er mye vanskeligere å følge stiene til hundre eller tusenvis av trær. For å oppnå både ytelse og tolkbarhet fins det noen modellkomprimerings-teknikker som kan transformere en [[XGBoost]] til et enkelt "født-på-nytt"-beslutningstre som [[Approksimasjon|tilnærmer]] samme beslutningsfunksjon.<ref>{{Cite journal|last=Sagi|first=Omer|title=Approximating XGBoost with an interpretable decision tree.|date=2021}}</ref> Videre kan implementeringen være vanskeligere på grunn av at det krever mer beregning.