এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
L1 নিয়মিতকরণ
মডেলের সহগগুলির পরম মানের সমান একটি জরিমানা যোগ করে এমন নিয়মিতকরণ কৌশল, যা স্পারসিটিকে উত্সাহিত করে এবং স্বয়ংক্রিয়ভাবে অপ্রাসঙ্গিক বৈশিষ্ট্যগুলি দূর করে।
L2 নিয়মিতকরণ
সহগগুলির বর্গের সমানুপাতিক একটি শব্দ যোগ করে এমন শাস্তি পদ্ধতি, যা ওভারফিটিং মোকাবেলা করতে তাদের সম্পূর্ণরূপে বাতিল না করে তাদের মাত্রা হ্রাস করে।
ইলাস্টিক নেট
L1 এবং L2 নিয়মিতকরণের রৈখিক সংমিশ্রণ যা ল্যাসোর পরিবর্তনশীল নির্বাচন বৈশিষ্ট্য এবং রিজের স্থিতিশীলতা উত্তরাধিকার সূত্রে পায়, বিশেষত পারস্পরিক সম্পর্কযুক্ত বৈশিষ্ট্যগুলির উপস্থিতিতে কার্যকর।
হাইপারপ্যারামিটার ল্যাম্বডা
সহগগুলিতে প্রয়োগকৃত জরিমানার তীব্রতা নিয়ন্ত্রণকারী নিয়মিতকরণ প্যারামিটার, যেখানে ল্যাম্বডা=0 নিয়মিতকরণের অনুপস্থিতির সাথে মিলে যায় এবং উচ্চ ল্যাম্বডা সীমাবদ্ধতা বাড়ায়।
L1 নর্ম
উপাদানগুলির পরম মানের যোগফল হিসাবে গণনা করা ভেক্টর নর্ম, যা স্পারসিটি প্ররোচিত করতে L1 নিয়মিতকরণে জরিমানা শব্দ হিসাবে ব্যবহৃত হয়।
L2 নর্ম
উপাদানগুলির বর্গের যোগফলের বর্গমূল হিসাবে গণনা করা ইউক্লিডীয় নর্ম, যা বড় সহগগুলিকে শাস্তি দেওয়ার জন্য L2 নিয়মিতকরণে ব্যবহৃত হয়।
সঙ্কোচন
জটিলতা হ্রাস এবং সাধারণীকরণ উন্নত করার জন্য শূন্যের দিকে মডেল সহগগুলির মাত্রা পদ্ধতিগতভাবে হ্রাস করার প্রক্রিয়া।
পক্ষপাত-ভ্যারিয়েন্স ডিলেমা
পক্ষপাত (পদ্ধতিগত ত্রুটি) হ্রাস এবং ভ্যারিয়েন্স (ডেটার ওঠানামার প্রতি সংবেদনশীলতা) হ্রাসের মধ্যে মেশিন লার্নিং-এর মৌলিক ট্রেড-অফ।
Coefficient alpha
Elastic Net-এ মিশ্রণ প্যারামিটার যা 0 (বিশুদ্ধ L2 নিয়মিতকরণ) থেকে 1 (বিশুদ্ধ L1 নিয়মিতকরণ) এর মধ্যে পরিবর্তিত হয় এবং দুটি শাস্তির আপেক্ষিক অনুপাত সামঞ্জস্য করে।
Path de régularisation
নিয়মিতকরণ প্যারামিটার পরিবর্তিত হলে মডেল সমাধানের ট্র্যাজেক্টরি, যা সহগগুলির বিবর্তন এবং তাদের প্রগতিশীল নির্বাচন বিশ্লেষণ করতে দেয়।
Vecteur de poids
একটি রৈখিক মডেলে বৈশিষ্ট্যগুলিতে প্রয়োগ করা গুণনীয়ক সহগগুলির সেট, যার মাত্রা নিয়মিতকরণ কৌশল দ্বারা নিয়ন্ত্রিত হয়।
Pénalité de groupe
L1/L2 নিয়মিতকরণের সম্প্রসারণ যা একই সাথে সহগগুলির গ্রুপগুলিকে শাস্তি দেয়, শ্রেণীবদ্ধ বা কাঠামোগত ভেরিয়েবল পরিচালনার জন্য দরকারী।
Régularisation adaptative
নিয়মিতকরণের একটি বৈকল্পিক যেখানে প্রতিটি সহগ প্রাথমিক অনুমানের উপর ভিত্তি করে একটি স্বতন্ত্র শাস্তি পায়, যা ভেরিয়েবলগুলির আরও সূক্ষ্ম নির্বাচন করতে দেয়।
Critère d'information
AIC বা BIC-এর মতো মেট্রিক্স যা মডেল ফিট এবং এর জটিলতার মধ্যে ভারসাম্য বজায় রাখে, প্রায়শই সর্বোত্তম নিয়মিতকরণ প্যারামিটার নির্বাচনের জন্য ব্যবহৃত হয়।
Descente de gradient régularisée
অপ্টিমাইজেশন অ্যালগরিদম যা নিয়মিত মডেলগুলিকে দক্ষতার সাথে প্রশিক্ষণের জন্য উদ্দেশ্য ফাংশনে L1/L2 শাস্তির পদগুলি সরাসরি অন্তর্ভুক্ত করে।
Coordonnée descendante
অপ্টিমাইজেশন পদ্ধতি যা L1 নিয়মিতকরণের জন্য বিশেষভাবে কার্যকর এবং বিশ্লেষণাত্মকভাবে একের পর এক সহগ আপডেট করে।