חיזוק גרדיאנט (Gradient Boosting) הוא שיטת-אנסמבל בלמידת-מכונה: במקום לאמן מודל בודד וחזק, השיטה בונה שרשרת של מודלים חלשים יחסית — בדרך כלל עצי-החלטה קטנים ורדודים — כשכל מודל חדש בשרשרת מתאמן במיוחד לתקן את השגיאות שהמודלים הקודמים השאירו מאחור. תחזית-הפלט הסופית היא סכום-משוקלל של תחזיות כל המודלים בשרשרת, ולא של אחד מהם בלבד — הרעיון הוא ש"חולשות משותפות" של מודלים רבים וממוקדים מסתכמות לתחזית חזקה יותר מכל מודל בודד, בלי שאף אחד מהם לבדו נדרש להיות מדויק במיוחד.
היסוד התיאורטי לשיטה פורסם על ידי החוקר ג'רום פרידמן מאוניברסיטת סטנפורד, במאמר "Greedy Function Approximation: A Gradient Boosting Machine" שהתפרסם ב-2001 בכתב-העת Annals of Statistics, לאחר תפוצה מוקדמת יותר כדוח-מחקר פנימי. פרידמן חיבר בין רעיון-ה"חיזוק" (Boosting) שכבר היה קיים קודם לכן — שיטות כמו AdaBoost משנת 1997, שבנו גם הן שרשראות מודלים מתקנים — לבין מסגרת כללית של אופטימיזציה בשיטת-גרדיאנט במרחב-הפונקציות, ובכך יצר שיטה גמישה בהרבה שמתאימה לכל פונקציית-איבוד גזירה, לא רק לבעיית-סיווג ספציפית אחת.
בשונה מ"יער אקראי" (Random Forest), שבו העצים נבנים במקביל ובאופן בלתי-תלוי זה בזה ומצביעים יחד על התחזית, בחיזוק-גרדיאנט העצים נבנים ברצף, כשכל עץ תלוי ישירות בשגיאות ההצטברותיות של קודמיו — הבדל שהופך אותו ברוב המקרים למדויק יותר, אך גם רגיש יותר להתאמת-יתר ואיטי יותר לאימון, בהיעדר האפשרות לחשב את העצים במקביל. השיטה מתאימה בעיקר לנתונים טבלאיים מובנים (כמו טבלאות-אקסל או מסדי-נתונים יחסיים), ופחות לתמונות, טקסט או קול — תחומים שבהם רשתות-נוירונים עמוקות עדיפות בבירור.
חיזוק-גרדיאנט הוא המושג התיאורטי, לא כלי-תוכנה ספציפי — XGBoost, LightGBM ו-CatBoost הן שלוש הספריות הנפוצות ביותר שמממשות את הרעיון בפועל, כל אחת עם אופטימיזציות-הנדסיות משלה למהירות ולדיוק. הבולטת שבהן, XGBoost, פורסמה כמעט חמש-עשרה שנה אחרי מאמרו המקורי של פרידמן, והפכה מאז 2016 לכלי מוביל בתחרויות מדעי-הנתונים ובתעשייה — אך היא מימוש-מסוים אחד של הרעיון הכללי, לא מילה-נרדפת לחיזוק-גרדיאנט עצמו, בדיוק כפי ש"מכונית" אינה מילה-נרדפת ל"מנוע-בעירה-פנימית" אף שהמכונית מיישמת את הרעיון הזה בפועל.