提升

提升往往比拟合单个大模型要快。但是，基本模型应该为 1 到 2 个节点的单层模型，否则若是指定了大量模型，拟合较快的优势就会丧失。

使用“模型启动”控制面板中的“提升”面板可指定组件模型数和学习率。使用“模型启动”控制面板中的“隐藏层结构”面板可指定基本模型的结构。

学习率必须为 0 < r ≤ 1。学习率接近 1 会导致最终模型收敛更快，但是也更容易过度拟合数据。当指定小的“模型数”时，可以使用接近 1 的学习率。

接下来我们举例说明提升的工作原理：假定您指定的基本模型包含一层和两个节点，并且模型数等于 8。第一步先要拟合一个单层两节点模型。将该模型的预测值以学习率来统一尺度，然后从实际值中减去预测值以构成尺度统一的残差。第二步则是拟合另一个单层两节点模型，其中的响应值是上一步中模型的尺度统一的残差。该过程会一直持续到拟合了 8 个模型为止，或一直持续到增加另一个模型却不能使验证统计量更好为止。最后，所有组件模型组合在一起构成一个大的最终模型。在本例中，若停止之前拟合了 6 个模型，则最终模型包含一层和 2 x 6 = 12 个节点。

警告：您无法在两层神经网络中使用提升。若在第二层中指定任何非零值并且还指定了提升，则忽略第二层。