এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
Bootstrap Aggregating
Méthode statistique combinant le rééchantillonnage bootstrap et l'agrégation des prédictions de multiples modèles entraînés sur ces échantillons pour stabiliser les résultats.
Échantillonnage avec remise
Technique de création d'échantillons bootstrap où chaque observation peut être sélectionnée plusieurs fois, permettant une diversité maximale des sous-ensembles d'entraînement.
Out-of-Bag (OOB)
Échantillon d'observations non sélectionnées lors de la création d'un bootstrap spécifique, utilisé comme ensemble de validation interne pour évaluer la performance sans validation croisée externe.
Erreur OOB
Métrique d'évaluation calculée en agrégeant les prédictions sur les échantillons out-of-bag pour chaque observation, fournissant une estimation non biaisée de l'erreur de généralisation.
Agrégation par vote majoritaire
Méthode de combinaison des prédictions en classification où chaque modèle vote pour une classe et la classe majoritaire est sélectionnée comme prédiction finale.
Agrégation par moyenne
Technique de combinaison en régression où les prédictions numériques de tous les modèles sont moyennées pour produire une prédiction finale plus stable.
Parallélisation
Avantage computationnel du bagging permettant l'entraînement simultané des modèles sur différents processeurs ou machines car ils sont indépendants les uns des autres.
Sous-espaces aléatoires
Extension du bagging où chaque modèle n'utilise qu'un sous-ensemble aléatoire des caractéristiques, augmentant la diversité et réduisant la corrélation entre les prédictions.
অপ্রুনডেড ডিসিশন ট্রি
ব্যাগিং-এ ব্যবহৃত বেস লার্নাররা তাদের সর্বোচ্চ জটিলতায় ছেড়ে দেওয়া হয় প্রুনিং ছাড়াই, কারণ সমষ্টিগতকরণ তাদের স্বতন্ত্র ওভারফিটিং ক্ষতিপূরণ করবে।
মডেল স্থিতিশীলতা
ব্যাগিং দ্বারা উন্নত বৈশিষ্ট্য যেখানে চূড়ান্ত মডেলের পূর্বাভাস প্রশিক্ষণ ডেটার ছোট পরিবর্তনের মুখে কম পরিবর্তিত হয়।
এক্সট্রিম র্যান্ডম ফরেস্ট
র্যান্ডম ফরেস্টের একটি বৈকল্পিক যেখানে ভেরিয়েবল বিভাজনের থ্রেশহোল্ডগুলি অপ্টিমাইজ করার পরিবর্তে এলোমেলোভাবে নির্বাচন করা হয়, পক্ষপাতের ব্যয়ে বৈচিত্র্য বৃদ্ধি করে।
প্রেডিক্টরগুলির পারস্পরিক সম্পর্ক
ব্যাগিং-এর কার্যকারিতায় মূল ফ্যাক্টর, যেখানে বেস মডেলগুলির পূর্বাভাসের মধ্যে কম পারস্পরিক সম্পর্ক ভ্যারিয়েন্স হ্রাসের উন্নতির দিকে নিয়ে যায়।
এনসেম্বল আকার
ব্যাগিং-এ মডেলের সংখ্যা, যেখানে উচ্চতর সংখ্যা ভ্যারিয়েন্স হ্রাস করে কিন্তু হ্রাসমান রিটার্ন এবং বর্ধিত গণনীয় খরচ সহ।
বুটস্ট্র্যাপ নমুনা
মূল প্রশিক্ষণ সেট থেকে প্রতিস্থাপন সহ স্যাম্পলিং দ্বারা তৈরি ডেটাসেট, প্রতিটিতে প্রায় ৬৩.২% অনন্য পর্যবেক্ষণ রয়েছে।
ব্যাগিং-বুস্টিং সংকরায়ন
ভ্যারিয়েন্স হ্রাস এবং পক্ষপাত হ্রাস একই সাথে কাজে লাগানোর জন্য ব্যাগিং এবং বুস্টিংয়ের নীতিগুলি একত্রিত করে পদ্ধতিগুলি।
অনুভবিক ভ্যারিয়েন্স
সমষ্টিগতকরণের আগে বিভিন্ন বেস মডেলের পূর্বাভাসের বিচ্ছুরণ পরিমাপ করে মেট্রিক, যা ব্যাগিং-এর সম্ভাব্য লাভের সূচক হিসেবে কাজ করে।