Bazı makine öğrenimi algoritmalarında yaygın olarak olduğu gibi, Yükseltme, ağaçların sayısı ile ilgili sapma değişimine maruz kalır. Kısaca söylemek gerekirse, bu değiş tokuş şunları söyler: (i) zayıf modeller yüksek sapma ve düşük varyansa sahip olma eğilimindedir: eğitim veri kümesindeki değişkenliği yakalamak için çok katıdırlar, bu nedenle test setinde de iyi performans göstermeyeceklerdir (yüksek test (ii) çok güçlü modeller düşük sapma ve yüksek varyansa sahip olma eğilimindedir: çok esnektirler ve eğitim setinden daha fazla uyurlar, bu nedenle test setinde (veri noktaları eğitim setinden farklı olduğu için) iyi performans göstermezler (yüksek test hatası)
Ağaçları artırma kavramı, sığ ağaçlarla (zayıf modeller) başlamak ve önceki ağaçların zayıflıklarını düzeltmeye çalışan daha sığ ağaçlar eklemeye devam etmektir. Bu işlemi yaparken, test hatası düşme eğilimindedir (çünkü genel model daha esnek / güçlü hale gelir). Ancak, bu ağaçlardan çok fazla eklerseniz, egzersiz verilerinin üzerine sığmaya başlarsınız ve bu nedenle test hatası artar. Çapraz doğrulama, tatlı noktayı bulmaya yardımcı olur