Бустинг представляет собой метод ансамблевого машинного обучения, который последовательно обучает несколько слабых моделей, используя взвешенные данные. Этот подход сосредоточен на объектах, неправильно классифицированных предыдущими моделями. Каждая новая модель добавляется в ансамбль, что позволяет создавать итоговую сильную модель с высокой точностью. К числу известных алгоритмов бустинга относятся AdaBoost, Gradient Boosting и XGBoost. Метод находит широкое применение в задачах классификации, регрессии и ранжирования благодаря своей эффективности и гибкости.