ตามปกติในอัลกอริทึมการเรียนรู้ของเครื่องบางอย่างการส่งเสริมจะขึ้นอยู่กับการแลกเปลี่ยนความแปรปรวนของอคติเกี่ยวกับจำนวนต้นไม้ การพูดอย่างหลวม ๆ การแลกเปลี่ยนนี้บอกคุณว่า: (i) โมเดลที่อ่อนแอมีแนวโน้มที่จะมีอคติสูงและความแปรปรวนต่ำ: พวกเขามีความแข็งแกร่งเกินกว่าที่จะตรวจจับความแปรปรวนในชุดข้อมูลการฝึกอบรมดังนั้นจะไม่ทำงานได้ดีในชุดทดสอบ ข้อผิดพลาด) (ii) แบบจำลองที่แข็งแกร่งมากมีแนวโน้มที่จะมีอคติต่ำและความแปรปรวนสูง: พวกมันยืดหยุ่นเกินไปและพวกมันเหมาะกับชุดฝึกซ้อมมากเกินไปดังนั้นในชุดทดสอบ (เนื่องจากชุดข้อมูลแตกต่างจากชุดฝึกอบรม) พวกเขาจะทำงานได้ไม่ดี (ข้อผิดพลาดการทดสอบสูง)
แนวคิดของการส่งเสริมต้นไม้คือการเริ่มต้นด้วยต้นไม้น้ำตื้น (รุ่นที่อ่อนแอ) และเพิ่มต้นไม้ที่ตื้นขึ้นเรื่อย ๆ เพื่อพยายามแก้ไขความอ่อนแอของต้นไม้ก่อนหน้านี้ เมื่อคุณทำกระบวนการนี้ข้อผิดพลาดในการทดสอบมีแนวโน้มที่จะลดลง (เนื่องจากรุ่นโดยรวมมีความยืดหยุ่น / มีประสิทธิภาพมากขึ้น) อย่างไรก็ตามหากคุณเพิ่มต้นไม้เหล่านั้นมากเกินไปคุณจะเริ่มต้นข้อมูลการฝึกให้มากเกินไปและทำให้ข้อผิดพลาดในการทดสอบเพิ่มขึ้น การตรวจสอบข้ามช่วยด้วยการค้นหาจุดหวาน