قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
التعزيز التدريجي
تقنية تعلم جماعي تبني نماذج تنبؤية بشكل تسلسلي، حيث يقوم كل نموذج جديد بتصحيح أخطاء النماذج السابقة من خلال تحسين دالة الخسارة عبر الانحدار التدريجي.
التعلم بالإضافة
مبدأ أساسي في التعزيز التدريجي حيث يكون النموذج النهائي هو المجموع الموزون لتوقعات المتعلمين الضعفاء المتعددين، كل منهم تمت إضافته لتحسين الأداء العام.
معدل التعلم
معامل فائق يتحكم في تأثير كل متعلم ضعيف على النموذج النهائي، ويعمل كعامل ترجيح لتجنب التفرط في التعلم.
الرواسب
أخطاء تنبؤ النموذج الحالي، المحسوبة كالفرق بين القيم الملاحظة والتنبؤات، والتي يتم تدريب المتعلم الضعيف التالي عليها في التعزيز التدريجي.
عدد المقدرين
معامل فائق يحدد عدد المتعلمين الضعفاء (التكرارات) المراد بناؤها في نموذج التعزيز التدريجي، مما يؤثر بشكل مباشر على التعقيد والأداء.
XGBoost (التعزيز التدريجي المتطرف)
تطبيق محسّن ومتوازٍ للتعزيز التدريجي الذي يدمج الانتظام، ومعالجة القيم المفقودة، وتقنيات تقليم الأشجار لتحقيق كفاءة أعلى.
LightGBM
إطار عمل للتعزيز التدريجي يستخدم تقنية نمو الأشجار بالأوراق (leaf-wise) بدلاً من المستوى (level-wise)، مما يوفر سرعة تدريب أعلى واستهلاك أقل للذاكرة.
CatBoost
خوارزمية التعزيز التدريجي المتخصصة في المعالجة الفعالة للمتغيرات الفئوية، باستخدام تقنيات الترميز المنظم ومخططات التعزيز غير المتماثلة.
التعزيز التدريجي العشوائي
متغير من التعزيز التدريجي حيث يتم تدريب كل متعلم ضعيف على مجموعة فرعية عشوائية من بيانات التدريب، مما يقلل من الارتباط بين الأشجار ويحسن التعميم.
الاختيار العشوائي للميزات
تقنية تنظيم في التعزيز التدريجي تتمثل في النظر فقط في مجموعة فرعية عشوائية من المتغيرات التنبؤية لكل تقسيم لعقدة الشجرة، مما يحد من فرط التخصيص.
العمق الأقصى للشجرة
معلمة فائقة تتحكم في تعقيد كل متعلم ضعيف عن طريق تحديد عدد تقسيمات القرار، موازنة بين الانحياز والتباين في نماذج التعزيز التدريجي.
البواقي الزائفة
تعميم للبواقي في التعزيز التدريجي، تمثل التدرج السالب لدالة الخسارة بالنسبة للتنبؤات الحالية، مما يسمح بالتحسين لمختلف دوال الخسارة.
تعزيز الانحدار
تطبيق التعزيز التدريجي على مسائل الانحدار حيث الهدف هو التنبؤ بقيم مستمرة، باستخدام عادةً دالة خسارة تربيعية أو مطلقة.
تعزيز التصنيف
تطبيق التعزيز التدريجي على مسائل التصنيف، باستخدام دوال خسارة محددة مثل log-loss (الإنتروبيا المتقاطعة) لتوجيه تحسين احتمالات الفئة.
التنظيم L1/L2
تقنيات جزاء تُضاف إلى دالة الخسارة في التعزيز التدريجي للتحكم في تعقيد أوزان أوراق الأشجار، مما يقلل من فرط التخصيص ويحسن المتانة.