قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
اختيار المجموعة الديناميكي (DES)
طريقة تجميع يتم فيها اختيار المجموعة الفرعية من النماذج المراد استخدامها للتنبؤ ديناميكيًا لكل حالة جديدة، بناءً على خصائصها المحددة وكفاءة النماذج في المنطقة المحلية لمساحة الإدخال.
اختيار المجموعة الثابت (SES)
نهج يتم فيه اختيار مجموعة فرعية ثابتة من المصنفات مرة واحدة فقط على مجموعة التحقق، ثم يتم استخدامها بشكل متطابق لجميع الحالات المستقبلية، على عكس الاختيار الديناميكي الذي يتكيف حالة بحالة.
المنطقة المحلية للكفاءة
منطقة مجاورة حول حالة اختبار، محددة بواسطة مقياس مسافة، يتم فيها تقييم كفاءة النماذج الأساسية لتحديد النماذج التي يجب استخدامها للتنبؤ بهذه الحالة.
أوراكل أقرب K (KNORA)
عائلة من خوارزميات DES التي تختار النماذج بناءً على أدائها على أقرب k جيران لحالة الاختبار، مع متغيرات مثل KNORA-E (الإزالة) و KNORA-U (الاتحاد).
سلوك المصنفات المتعددة (MCB)
تقنية تحلل سلوك المصنفات على الحالات المصنفة لتحديد المناطق التي تكون فيها بعض النماذج أكثر موثوقية، وبالتالي توجيه الاختيار الديناميكي.
الاختيار الديناميكي مقابل الترجيح الديناميكي
تمييز حيث يختار الاختيار الديناميكي مجموعة فرعية من النماذج، بينما يخصص الترجيح الديناميكي أوزانًا لجميع النماذج للتنبؤ النهائي، وكلاهما يتكيف حالة بحالة.
DES المتجانس مقابل DES غير المتجانس
تمييز حيث تستخدم DES المتجانسة نماذج أساسية من نفس النوع (مثل: جميعها أشجار قرار)، بينما تجمع DES غير المتجانسة أنواعًا مختلفة من الخوارزميات لزيادة التنوع.
تقدير منطقة الكفاءة
عملية تحديد الجوار ذي الصلة لحالة اختبار، وهي حاسمة لتقييم الكفاءة المحلية للنماذج، وغالبًا ما تستند إلى مقاييس مثل المسافة الإقليدية أو تشابه جيب التمام.
DES مع المعالجة المسبقة
نهج يتم فيه تطبيق تقنيات المعالجة المسبقة، مثل تقليل الأبعاد أو الزيادة في العينات، لتحسين تعريف مناطق الكفاءة قبل الاختيار الديناميكي للنماذج.
DES عبر الإنترنت
نسخة من الاختيار الديناميكي للمجموعات مصممة لتدفقات البيانات، حيث يتم تحديث كفاءة النماذج واختيارها باستمرار مع وصول حالات جديدة.
خوارزمية DespeRt
خوارزمية DES التي تقيم كفاءة المصنفات بناءً على توزيع مستويات الثقة للتنبؤات على الجيران الأقرب k، مفضلة النماذج الكفؤة والمتنوعة على حد سواء.
DES مسبقًا مقابل DES لاحقًا
تمييز حيث تختار الطرق المسبقة النماذج قبل رؤية تنبؤاتها لحالة الاختبار، بينما تختار الطرق اللاحقة بعد ملاحظة هذه التنبؤات.
الاختيار الديناميكي للمجموعات للبيانات غير المتوازنة
تكييف طرق DES للتعامل مع مجموعات البيانات غير المتوازنة، حيث يمكن أن يكون اختيار النماذج متحيزًا لتحسين اكتشاف الفئة الأقلية.
الاختيار الديناميكي القائم على الكفاءة
نموذج مركزي في DES حيث يعتمد قرار اختيار نموذج فقط على تقدير كفاءته المحلية للحالة المعنية، بدلاً من أدائه العام.