قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
معدل التعلم
معامل فائق يتحكم في مساهمة كل مقدر في النموذج النهائي، مما يسمح بموازنة بين سرعة التقارب ودقة النموذج.
العمق الأقصى
معامل فائق يحدد العمق الأقصى لكل شجرة قرار، ويتحكم في تعقيد النموذج وخطر الإفراط في التجهيز.
إيجاد الانقسام
عملية خوارزمية لإيجاد أفضل نقطة انقسام في عقدة الشجرة، محسّنة في XGBoost عبر بنية بيانات تسمى الهيستوغرام.
تقليم الشجرة
تقنية تقليم لاحق تعتمد على درجة الكسب، تزيل فروع الشجرة التي لا تحقق كسبًا إيجابيًا في الخسارة لتبسيط النموذج.
الإيقاف المبكر
تقنية تنظيم توقف التدريب عندما يتوقف أداء مجموعة التحقق عن التحسن، مما يمنع الإفراط في التجهيز.
جاما (الحد الأدنى لخسارة الانقسام)
معامل فائق للتنظيم يحدد الحد الأدنى للخسارة المطلوبة لإجراء انقسام جديد في عقدة الشجرة، ويتحكم في التعقيد.
لامدا (تنظيم L2 على الأوزان)
معامل فائق للتنظيم L2 يطبق على أوزان أوراق الأشجار، مما يقلل من سعتها لمنع الإفراط في التجهيز.
ألفا (تنظيم L1 على الأوزان)
معامل فائق للتنظيم L1 يطبق على أوزان أوراق الأشجار، مما يعزز التقتير وقد يجعل بعض الأوزان صفرًا.
وزن الفئة الإيجابية
معامل فائق يُستخدم لمشاكل التصنيف غير المتوازنة، حيث يوزن الفئة الإيجابية مقارنةً بالفئة السلبية.
التوازي
قدرة XGBoost على موازاة بناء الأشجار عبر نوى متعددة لوحدة المعالجة المركزية (CPU)، مما يسرع بشكل كبير وقت التدريب.
الوصول المدرك للذاكرة المخبأة
تحسين خوارزمي في XGBoost ينظم عمليات الوصول إلى الذاكرة لزيادة استخدام ذاكرة التخزين المؤقت للمعالج إلى أقصى حد، مما يحسن الأداء.