এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
সমান্তরাল এনসেম্বল লার্নিং
একটি শিক্ষণ প্যারাডাইম যেখানে বেস মডেলগুলি একই সাথে এবং স্বাধীনভাবে তৈরি করা হয়, যা বিতরণিত আর্কিটেকচারে দক্ষ সমান্তরালীকরণের অনুমতি দেয়। বুটিংয়ের মতো অনুক্রমিক পদ্ধতির বিপরীত যেখানে মডেলগুলি পূর্ববর্তী মডেলগুলির উপর নির্ভরশীল।
ডিসিশন ট্রি এনসেম্বল
একক গাছের চেয়ে আরও শক্তিশালী এবং সাধারণীকরণযোগ্য একটি পূর্বাভাসমূলক মডেল গঠনের জন্য সমান্তরালভাবে নির্মিত সিদ্ধান্ত গাছের সংগ্রহ। প্রতিটি গাছ ডেটার বিভিন্ন প্যাটার্ন ক্যাপচার করে এবং তাদের সমন্বয় ওভারফিটিংয়ের ঝুঁকি হ্রাস করে।
মডেল অ্যাভারেজিং
একাধিক মডেলের অবিচ্ছিন্ন পূর্বাভাসগুলিকে তাদের গাণিতিক গড় গণনা করে সমন্বয় করার একটি সমষ্টিগত কৌশল। শ্রেণীবিভাগের জন্য, চূড়ান্ত সিদ্ধান্তের আগে ক্লাস সম্ভাবনার গড় (সফট ভোটিং) এর সমতুল্য।
স্বাধীন বেস লার্নার্স
সমান্তরাল এনসেম্বলগুলিতে মৌলিক মডেল যা প্রশিক্ষণের সময় একে অপরের সাথে কোন মিথস্ক্রিয়া বা নির্ভরতা ছাড়াই তৈরি করা হয়। এই স্বাধীনতা দক্ষ সমান্তরালীকরণের অনুমতি দেয় এবং মডেলগুলির মধ্যে ত্রুটি বিস্তারের ঝুঁকি হ্রাস করে।
ফিচার সাবস্পেস
র্যান্ডম ফরেস্টে প্রতিটি বিভাজন নোডে নির্বাচিত বৈশিষ্ট্যগুলির একটি এলোমেলো উপসেট, সাধারণত শ্রেণীবিভাগের জন্য √p এবং রিগ্রেশনের জন্য p/3। এনসেম্বলের কার্যকারিতা উন্নত করার জন্য গাছগুলির মধ্যে অতিরিক্ত বৈচিত্র্য প্রবর্তন করে।
পেস্টিং
বেগিংয়ের একটি বৈকল্পিক যা প্রতিস্থাপন সহ নয় বরং প্রতিস্থাপন ছাড়া নমুনা ব্যবহার করে, নিশ্চিত করে যে প্রতিটি পর্যবেক্ষণ প্রতি নমুনায় সর্বাধিক একবার উপস্থিত হয়। যখন ডেটাসেটের আকার পুনরাবৃত্তি এড়ানোর জন্য যথেষ্ট বড় হয় তখন এটি কার্যকর।
র্যান্ডম সাবস্পেসেস
একটি এনসেম্বল পদ্ধতি যা পর্যবেক্ষণের পরিবর্তে বৈশিষ্ট্যগুলির একটি এলোমেলো উপসেটে প্রতিটি বেস মডেল তৈরি করে, ফিচার স্পেসে বেগিং পদ্ধতি প্রয়োগ করে। অপ্রয়োজনীয় বৈশিষ্ট্যসহ উচ্চ-মাত্রিক ডেটার জন্য বিশেষভাবে কার্যকর।