قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
أغصان القرار الكلاسيكية
خوارزميات أساسية مثل CART وID3 وC4.5 التي تبني هياكل شجرية لاتخاذ قرارات مبنية على قواعد التقسيم.
الغابة العشوائية
طريقة تجميعية تجمع بين عدة أشجار قرارات تم تدريبها على عينات فرعية مأخوذة بطريقة الـBootstrap لتقليل التباين وتجنب الإفراط في التعلم.
Gradient Boosting Machines
تقنية مجموعات تسلسلية تبني نماذج إضافية من خلال تحسين دالة الخسارة عبر الانحدار التدريجي.
XGBoost
تنفيذ مُحسَّن لخوارزمية التدرج الت(boosting) مع تضمين تنظيم L1/L2، ودعم المعالجة المتوازية، وإدارة فعالة للقيم المفقودة.
LightGBM
خوارزمية تعزيز التدرج تستخدم نموذج النمو القائم على الأوراق (leaf-wise) والعينة القائمة على المدرجات التكرارية لتحسين الأداء.
CatBoost
طريقة مخصصة لتحسين التدرج تُستخدم بشكل خاص في معالجة المتغيرات الفئوية تلقائيًا من خلال تشفير مستند إلى الهدف وتعزيز مرتب.
AdaBoost
خوارزمية تعزيز تكيفية تُعدّل أوزان الملاحظات الصعبة التنبؤ بها عبر تكرارات متتالية من المتعلمين الضعفاء.
الحقيبة
تقنية تجميع متوازية تستخدم التجميع عن طريق أخذ عينات.bootstrap لتقليل التباين من خلال دمج النماذج المدربة على عينات مختلفة.
التكديس والدمج
أساليب تجميعية تجمع التنبؤات من نماذج متعددة من خلال نموذج فوقي لتحسين الأداء العام.
أشجار إضافية
أشجار عشوائية للغاية، طريقة مشابهة لغابة القرارات العشوائية ولكن مع اختيار عشوائي للعتبات الانقسامية لتحقيق عشوائية أكبر.
أ شجار التصنيف مقابل الانحدار
تتخصص أشجار القرار في مشاكل الانحدار (التنبؤ المستمر) أو التصنيف (التنبؤ المتقطع).
طرق التجميع المتوازية
أساليب يتم فيها إنشاء النماذج بشكل مستقل وفي وقت واحد، مثل غابة القرارات العشوائية (Random Forest) وتقنيات التجميع (Bagging)، بهدف تقليل التباين.