এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
র্যান্ডম ফরেস্ট
একটি এনসেম্বল পদ্ধতি যা শত শত ডিসিশন ট্রিকে একত্রিত করে, যেগুলো বুটস্ট্র্যাপ সাবস্যাম্পল এবং র্যান্ডম ভ্যারিয়েবল সিলেকশনের মাধ্যমে প্রশিক্ষিত হয়, ফলে ভ্যারিয়েন্স হ্রাস পায় এবং ওভারফিটিং এড়ানো যায়।
বুটস্ট্র্যাপ স্যাম্পলিং
প্রতিস্থাপন সহ স্যাম্পলিং পদ্ধতি যা মূল ডেটাসেটের সমান আকারের একাধিক সাবসেট তৈরি করে, একটি এস্টিমেটরের ডিস্ট্রিবিউশন অনুমান করতে এবং ভ্যারিয়েন্স কমাতে সাহায্য করে।
জিনি ইমপিউরিটি
ডিসিশন ট্রিতে বিভাজনের মানদণ্ড যা পরিমাপ করে যে একটি এলোমেলোভাবে নির্বাচিত উপাদান ভুলভাবে শ্রেণীবদ্ধ হওয়ার সম্ভাবনা, প্রতিটি ক্লাসের সম্ভাবনার বর্গের যোগফল থেকে ১ বিয়োগ করে গণনা করা হয়।
র্যান্ডম সাবস্পেস মেথড
একটি টেকনিক যা ট্রির প্রতিটি স্প্লিটের জন্য এলোমেলোভাবে বৈশিষ্ট্যগুলির একটি সাবসেট নির্বাচন করে, ট্রিগুলোর মধ্যে বৈচিত্র্য বাড়ায় এবং র্যান্ডম ফরেস্টে পারস্পরিক সম্পর্ক হ্রাস করে।
এক্সট্রা ট্রিস
র্যান্ডম ফরেস্টের একটি ভেরিয়েন্ট যা সর্বোত্তম থ্রেশহোল্ড খোঁজার পরিবর্তে র্যান্ডম বিভাজন থ্রেশহোল্ড ব্যবহার করে, র্যান্ডমাইজেশন বাড়ায় এবং গণনার সময় কমায় যখন পারফরম্যান্স বজায় রাখে।
ডিসিশন ট্রি
একটি প্রেডিক্টিভ মডেল যা ডেটার বৈশিষ্ট্যের উপর ভিত্তি করে সিদ্ধান্তের একটি ট্রি-স্ট্রাকচার তৈরি করে, যেখানে প্রতিটি অভ্যন্তরীণ নোড একটি বৈশিষ্ট্যের পরীক্ষা এবং প্রতিটি পাতায় একটি পূর্বাভাস উপস্থাপন করে।
ম্যাক্স ফিচার্স
র্যান্ডম ফরেস্টে একটি গুরুত্বপূর্ণ হাইপারপ্যারামিটার যা প্রতিটি স্প্লিটের জন্য বিবেচনা করার সর্বোচ্চ বৈশিষ্ট্যের সংখ্যা নির্ধারণ করে, বায়াস এবং ভ্যারিয়েন্সের মধ্যে ট্রেড-অফ নিয়ন্ত্রণ করে।
নোড পিউরিটি
একটি ডিসিশন ট্রিতে একটি নোডের সমজাতীয়তার পরিমাপ, যেখানে একটি বিশুদ্ধ নোডে সমস্ত পর্যবেক্ষণ একই শ্রেণীর অন্তর্গত বা অভিন্ন টার্গেট মান রয়েছে।
বুটস্ট্র্যাপ অ্যাগ্রিগেশন
একটি গাণিতিক প্রক্রিয়া যা বুটস্ট্র্যাপ নমুনায় প্রশিক্ষিত একাধিক মডেলের পূর্বাভাসগুলিকে একত্রিত করে একটি আরও স্থিতিশীল চূড়ান্ত পূর্বাভাস তৈরি করে, ভ্যারিয়েন্স হ্রাস করে।
ট্রি ডেপথ
একটি হাইপারপ্যারামিটার যা একটি সিদ্ধান্ত বৃক্ষের সর্বাধিক স্তরের সংখ্যা নিয়ন্ত্রণ করে, সরাসরি মডেলের জটিলতা এবং এর ওভারফিটিংয়ের ঝুঁকিকে প্রভাবিত করে।
ন্যূনতম নমুনা বিভাজন
একটি প্যারামিটার যা একটি অভ্যন্তরীণ নোড বিভক্ত করার জন্য প্রয়োজনীয় পর্যবেক্ষণের সর্বনিম্ন সংখ্যা নির্ধারণ করে, গাছের সূক্ষ্মতা নিয়ন্ত্রণ করে এবং নির্দিষ্ট শাখা তৈরির প্রতিরোধ করে।
ভ্যারিয়েন্স হ্রাস
র্যান্ডম ফরেস্টের মতো এনসেম্বল পদ্ধতির প্রধান লক্ষ্য, যা বিভিন্ন পূর্বাভাসের সমষ্টির মাধ্যমে প্রশিক্ষণ ডেটার ওঠানামার প্রতি মডেলের সংবেদনশীলতা হ্রাস করে।