ブースティング
ブースティングは、複数の小さいモデル（基底モデル）を逐次的にあてはめていき、それらの結果を合わせて、加法的な大きなモデルを構築する手法です。ブースティングでは、小さなモデルをあてはめて、その残差（尺度化した残差）が計算されます。その残差に対して、また、小さなモデルをあてはめます。この処理を繰り返します。最後に、小さなモデルを組み合わせて、最終的なモデルを作成します。検証セットによってモデルを評価して、小さいモデルをあてはめる回数を決めます（ただし、指定した回数を超えた場合は、そこで終了します）。
ブースティングは、1つの大きなモデルをあてはめるよりも、通常、計算時間が短くてすみます。ただし、基底モデルは、1～2ノードの単層モデルといった小さなモデルである必要があります。また、あてはめる基底モデルの数が膨大になると、処理時間が速くてすむという利点が失われる可能性があります。
「モデルの設定」パネルの「ブースティング」で、あてはめる基底モデルの数と学習率を指定します。「モデルの設定」パネルの「隠れ層の構造」で、基底モデルの構造を指定します。
学習率は0 < r £ 1の範囲で設定します。学習率が1に近い値だと、最終モデルへの収束が速くなりますが、データに過剰適合（オーバーフィット、過学習）しやすくなります。「モデル数」に少ない数を指定した場合には、学習率を1に近い値に設定してください。
ブースティングの仕組みを理解するために、1層2ノードのニューラルネットを基底モデルとし、モデル数を8とした例を想定してみましょう。最初に、1層2ノードのモデルをデータにあてはめます。このモデルの予測値を学習率によって尺度化し、実測値から引いて、尺度化した残差を求めます。次のステップは、異なる1層2ノードのモデルをあてはめることです。ここでの応答値は、先のモデルにおける尺度化された残差です。この手順を繰り返して8つのモデルをあてはめます。これ以上モデルを追加しても、検証セットの適合度が改善されないと判断された場合は、モデル数が8に満たなくても処理を終了します。こうして作成した一連の基底モデルを組み合わせ、最終的なモデルを作成します。もし、この例で、モデルを6回あてはめた時に処理が終了したとすると、最終的なモデルは1層かつ2 × 6 = 12ノードで構成されます。
注意: ブースティングは、2層のニューラルネットワークには使用できません。第2層に0以外の値を指定し、さらにブースティングも指定すると、第2層は無視されます。