এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
দুর্বল শিক্ষণ
এমন শ্রেণীবিভাজক যার কার্যকারিতা এলোমেলোর থেকে সামান্য বেশি (সাধারণত > 50% নির্ভুলতা), যা বুস্টিং অ্যালগরিদমে মৌলিক উপাদান হিসেবে ব্যবহৃত হয়।
অভিযোজিত ওজন নির্ধারণ
একটি প্রক্রিয়া যা প্রশিক্ষণের পর্যবেক্ষণগুলোর ওজন প্রতিটি পুনরাবৃত্তিতে সামঞ্জস্য করে, যাতে শ্রেণীবিভাজনে কঠিন উদাহরণগুলিকে বেশি গুরুত্ব দেওয়া হয়।
শিক্ষণের হার
একটি প্যারামিটার যা চূড়ান্ত মডেলে প্রতিটি দুর্বল শ্রেণীবিভাজকের অবদান নিয়ন্ত্রণ করে, যা অভিসৃতি গতি নিয়ন্ত্রণ এবং ওভারফিটিং এড়াতে সহায়তা করে।
ওজনযুক্ত শ্রেণীবিভাজন ত্রুটি
একটি কার্যকারিতা পরিমাপ যা AdaBoost-এ একটি দুর্বল শ্রেণীবিভাজকের কার্যকারিতা মূল্যায়নের জন্য পর্যবেক্ষণগুলির ওজন বিবেচনা করে।
সিদ্ধান্ত স্টাম্প
একটি নোড এবং দুটি পাত সহ সিদ্ধান্ত গাছ, যা তাদের সরলতা ও কার্যকারিতার জন্য AdaBoost-এ দুর্বল শ্রেণীবিভাজক হিসেবে প্রায়শই ব্যবহৃত হয়।
শ্রেণীবিভাজন মার্জিন
একটি ভবিষ্যদ্বাণীর আত্মবিশ্বাসের পরিমাপ যা সঠিক শ্রেণীর স্কোর এবং অন্যান্য শ্রেণীর সর্বোচ্চ স্কোরের মধ্যে পার্থক্য উপস্থাপন করে।
সূচকীয় ক্ষতি ফাংশন
AdaBoost-এ ব্যবহৃত একটি ব্যয় ফাংশন যা শ্রেণীবিভাজন ত্রুটিগুলিকে সূচকীয়ভাবে শাস্তি দেয়, ভুলভাবে শ্রেণীবদ্ধ উদাহরণগুলির আক্রমনাত্মক সংশোধনকে উৎসাহিত করে।
SAMME অ্যালগরিদম
স্টেজ-ওয়াইজ অ্যাডিটিভ মডেলিং ইউজিং আ মাল্টি-ক্লাস এক্সপোনেনশিয়াল লস ফাংশন, বহু-শ্রেণীর শ্রেণীবিভাজন সমস্যার জন্য AdaBoost-এর একটি সম্প্রসারণ।
কঠিন পর্যবেক্ষণ
প্রশিক্ষণের উদাহরণ যা পূর্ববর্তী মডেল দ্বারা ক্রমাগত ভুলভাবে শ্রেণীবদ্ধ করা হয় এবং তাই পরবর্তী পুনরাবৃত্তিতে আরও ওজন দেওয়া হয়।
ক্রমিকতা
বুস্টিং-এর মৌলিক বৈশিষ্ট্য যেখানে প্রতিটি শ্রেণীবদ্ধকারী পূর্ববর্তীগুলির উপর নির্ভর করে, ব্যাগিং-এর মতো সমান্তরাল পদ্ধতির বিপরীতে।
ওজন আলফা
প্রতিটি দুর্বল শ্রেণীবদ্ধকারীর জন্য তার শ্রেণীবিভাগ ত্রুটির উপর ভিত্তি করে গণনা করা সহগ, যা মডেলের চূড়ান্ত ভোটে তার ওজন নির্ধারণ করে।
জটিল সিদ্ধান্ত সীমানা
সরল শ্রেণীবদ্ধকারীদের সমন্বয়ের ফলাফল যা ডেটাতে জটিল অ-রৈখিক সম্পর্ক মডেল করতে সক্ষম করে।
ওজন স্বাভাবিককরণ
প্রক্রিয়া যা প্রতিটি পুনরাবৃত্তির পরে পর্যবেক্ষণের ওজন সামঞ্জস্য করে যাতে তারা 1-এ যোগ করে, একটি বৈধ সম্ভাব্যতা বন্টন নিশ্চিত করে।
শোরগোলের প্রতি সহনশীলতা
এডাবুস্ট-এর শোরগোলযুক্ত ডেটা পরিচালনা করার ক্ষমতা, যদিও এটি আউটলায়ারগুলির প্রতি সংবেদনশীল হতে পারে তাদের অত্যধিক ওজন দিয়ে।
দ্রুত অভিসৃতি
এডাবুস্ট-এর বৈশিষ্ট্য যা সূচকীয় ক্ষতির সরাসরি অপ্টিমাইজেশনের মাধ্যমে তুলনামূলকভাবে কম পুনরাবৃত্তিতে প্রায়শই ভাল পারফরম্যান্স অর্জন করে।