قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
Stacking
Technique d'ensemble qui combine les prédictions de plusieurs modèles de base via un méta-modèle appris sur les prédictions des modèles primaires. Cette méthode permet de capturer des patterns complexes que les modèles individuels ne peuvent détecter seuls.
Blending
Variante du stacking où les prédictions des modèles de base sont combinées en utilisant un ensemble de validation hold-out plutôt qu'une validation croisée. Le blending est plus simple à implémenter mais peut être moins robuste que le stacking classique.
Méta-modèle
Modèle de niveau supérieur dans le stacking qui apprend à combiner les prédictions des modèles de base pour produire la prédiction finale. Le méta-modèle identifie les poids optimaux à attribuer à chaque prédiction des modèles sous-jacents.
Modèles de base
Ensemble de modèles primaires (niveau 0) qui génèrent des prédictions indépendantes sur les mêmes données d'entrée. Ces modèles peuvent être de natures différentes (arbres, SVM, réseaux de neurones) pour maximiser la diversité des prédictions.
Out-of-fold predictions
Prédictions générées par un modèle sur les données de validation pliée lors de la validation croisée K-fold, essentielles pour éviter le data leakage dans le stacking. Ces prédictions servent de features d'entraînement pour le méta-modèle.
Stacked Generalization
Terme formel désignant le stacking, une méthode d'apprentissage automatique qui combine plusieurs classificateurs ou régresseurs pour améliorer la précision prédictive. Elle utilise une approche hiérarchique où les prédictions de niveau 0 deviennent les entrées de niveau 1.
Level-0 Models
Première couche de modèles dans l'architecture de stacking qui génèrent des prédictions brutes sur les données originales. Ces modèles sont entraînés indépendamment et leur diversité est cruciale pour la performance globale.
Level-1 Model
Modèle méta-apprenant au sommet de l'architecture de stacking qui combine les prédictions des modèles de niveau 0. Il apprend les poids optimaux et les interactions entre les prédictions des modèles de base.
Weighted Averaging
تقنية دمج بسيطة حيث يتم متوسط تنبؤات عدة نماذج بأوزان محسّنة لتحسين الأداء. على عكس التجميع (stacking)، تكون الأوزان عادةً ثابتة ويتم تحديدها بشكل تقريبي.
Voting Classifier
طريقة تجميعية تجمع بين تنبؤات عدد من المصنفات باستخدام التصويت الأغلبية (التصويت الصارم) أو متوسط الاحتمالات (التصويت اللين). إنها نهج أبسط من التجميع (stacking) لكنه فعّال في دمج نماذج متنوعة.
Super Learner
تنفيذ محسّن للتجميع (stacking) يضمن نظريًا أداءً يساوي أو يفوق أي نموذج أساسي فردي. تستخدم هذه الطريقة التحقق المتقاطع لتوليد تنبؤات غير متحيزة للموديل الفوقي (meta-model).
Hold-out Set
جزء من بيانات التدريب يتم الاحتفاظ به بشكل منفصل لتقييم أداء النماذج الأساسية في عملية الدمج (blending). يُستخدم هذا المجموعة لتوليد الميزات (features) الخاصة بالنموذج الفوقي دون خطر الإفراط في التعلم (overfitting).
Ensemble Diversity
مبدأ أساسي ينص على أن النماذج الأساسية يجب أن تكون مختلفة بما فيه الكفاية في أخطائها لجعل التجميع فعالًا. تضمن التنوع أن النماذج تكمل بعضها البعض بدلاً من تكرار نفس الأخطاء.
Multi-level Stacking
تمديد لطريقة التجميع (stacking) يحتوي على عدة طبقات من النماذج الفوقية (meta-models) حيث تقوم كل طبقة بدمج تنبؤات الطبقة السابقة. يمكن لهذه البنية الهرمية التقاط أنماط متزايدة التعقيد ولكنها تزيد من خطر الإفراط في التعلم (overfitting).
Feature Engineering for Stacking
عملية إنشاء ميزات (features) إضافية للنموذج الفوقي (meta-model) تتضمن تنبؤات النماذج الأساسية، وإحصائياتها وتفاعلاتها. يمكن أن تحسن هذه الميزات المُصممة بشكل كبير قدرة النموذج الفوقي على التعرف على الأنماط المعقدة.