قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
مُجَمِّع التجميع باستخدام Bootstrap
طريقة تجميعية تطبق مبدأ التجميع (bagging) على نماذج الانحدار، حيث يتم تدريب عدة مقدرات على عينات bootstrap وتجميع توقعاتها عن طريق المتوسط أو الوسيط لتقليل التباين.
خطأ خارج الحقيبة (OOB)
مقياس تقييم للتجميع يتم حسابه على العينات التي لم تُضمن في عينة bootstrap لنموذج معين، مما يوفر تقديراً غير متحيز لخطأ التعميم دون الحاجة إلى التحقق المتقاطع.
التجميع بالمتوسط
تقنية دمج التوقعات في مقدر التجميع حيث يكون التوقع النهائي هو المتوسط الحسابي للتوقعات الفردية لجميع النماذج في المجموعة.
التجميع بالوسيط
بديل قوي للتجميع بالمتوسط حيث يكون التوقع النهائي هو الوسيط للتوقعات الفردية، وهو أقل حساسية للقيم الشاذة والتوقعات المتطرفة للنماذج.
المقدر الأساسي
خوارزمية انحدار فردية (مثل شجرة القرار أو الجيران الأقرب) تُستخدم كنموذج ضعيف في بنية التجميع، يتم تدريبها على عينات bootstrap مختلفة.
استقرار التجميع
خاصية مقدر التجميع في إنتاج توقعات أكثر استقراراً وأقل تبايناً في مواجهة التغيرات في بيانات التدريب، وذلك بفضل تقليل التباين عن طريق التجميع.
مقدر الفضاء الجزئي العشوائي
نوع مختلف من التجميع حيث يتم تدريب كل مقدر أساسي على مجموعة فرعية عشوائية من الميزات (features) بالإضافة إلى عينات bootstrap، مما يزيد من تنوع النماذج.
مقدر اللصق (Pasting)
نوع مختلف من التجميع حيث يتم سحب العينات لتدريب كل نموذج بدون إرجاع، تُستخدم عندما تكون مجموعة البيانات كبيرة جداً للتجميع باستخدام bootstrap مع الإرجاع.
متوسط الخطأ التربيعي المجمع
مقياس تقييم خاص بمجمعات الانحدار يحسب متوسط الأخطاء التربيعية بين التوقعات المجمعة والقيم الحقيقية على مجموعة الاختبار.
التجميع باستخدام أشجار القرار
التطبيق الأكثر شيوعًا لمجمع الانحدار باستخدام أشجار القرار كنماذج أساسية، معروف بتقليل التباين بشكل كبير مع الحفاظ على انحياز منخفض.
فترات التنبؤ بالتجميع
تقنية تستخدم توزيع التوقعات الفردية لنماذج التجميع لبناء فترات ثقة كمية حول التوقع النهائي المجمع.