এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
নিয়মিতকরণ L1/L2
XGBoost-এ অন্তর্ভুক্ত জরিমানা প্রক্রিয়া যা মডেলের জটিলতা নিয়ন্ত্রণ করে এবং ওভারফিটিং প্রতিরোধ করে। L1 (ল্যাসো) স্পারসিটিকে উৎসাহিত করে যখন L2 (রিজ) ওয়েটের মাত্রা হ্রাস করে।
সর্বোচ্চ গভীরতা
এনসেম্বলের প্রতিটি সিদ্ধান্ত গাছের সর্বোচ্চ গভীরতা নিয়ন্ত্রণকারী প্যারামিটার, যার ফলে পৃথক শিক্ষার্থীদের জটিলতা সীমিত হয়। পক্ষপাত-ভ্যারিয়েন্স ভারসাম্য বজায় রাখতে সাধারণ গভীরতা ৩ থেকে ১০ এর মধ্যে থাকে।
সাবস্যাম্পল
প্রতিটি গাছ তৈরি করার জন্য এলোমেলোভাবে নমুনাকৃত প্রশিক্ষণ পর্যবেক্ষণের ভগ্নাংশ, ওভারফিটিং কমানোর জন্য স্টোকাস্টিসিটি প্রবর্তন করে। সাধারণ মান ০.৫ থেকে ১.০ এর মধ্যে।
কলস্যাম্পল_বাইট্রি
প্রতিটি গাছের জন্য এলোমেলোভাবে নির্বাচিত বৈশিষ্ট্যগুলির অনুপাত, গাছগুলির মধ্যে দৃঢ়তা উন্নত করতে এবং পারস্পরিক সম্পর্ক হ্রাস করতে র্যান্ডম ফরেস্ট পদ্ধতির অনুরূপ। অনুভূমিক বৈশিষ্ট্য সাবস্যাম্পলিং সক্ষম করে।
স্প্লিট ফাইন্ডিং অ্যালগরিদম
কোয়ান্টাইল-ওয়েটেড আনুমানিক পদ্ধতি ব্যবহার করে সেরা বিভাজন বিন্দু খোঁজার অপ্টিমাইজড অ্যালগরিদম যা বড় ডেটাসেটে প্রশিক্ষণ ত্বরান্বিত করে। গণনামূলক জটিলতা উল্লেখযোগ্যভাবে হ্রাস করে।
স্পার্স-অবহিত অ্যালগরিদম
পূর্ববর্তী ইম্পুটেশন ছাড়াই অনুপস্থিত মান এবং স্পার্স ম্যাট্রিক্স কার্যকরভাবে প্রক্রিয়া করার XGBoost-এর ক্ষমতা। বিভাজনের সময় অনুপস্থিত মানগুলির জন্য সর্বোত্তম দিক স্বয়ংক্রিয়ভাবে শেখে।
সমান্তরাল প্রক্রিয়াকরণ
মাল্টিথ্রেডেড বাস্তবায়ন যা প্রশিক্ষণ ত্বরান্বিত করতে বৈশিষ্ট্য এবং উদাহরণ স্তরে গাছের নির্মাণ সমান্তরাল করে। Hadoop বা Spark-এর মতো ফ্রেমওয়ার্কের মাধ্যমে বিতরণকৃত প্রক্রিয়াকরণও সমর্থন করে।
ক্রস-ভ্যালিডেশন
XGBoost-এর নেটিভ কার্যকারিতা যা স্বয়ংক্রিয় প্রারম্ভিক স্টপিং সহ ইন্টিগ্রেটেড k-ফোল্ড ক্রস-ভ্যালিডেশনের মাধ্যমে মডেলের দৃঢ় মূল্যায়ন সক্ষম করে। হাইপারপ্যারামিটার নির্বাচন অপ্টিমাইজ করে এবং ওভারফিটিং প্রতিরোধ করে।
অবজেক্টিভ ফাংশন
XGBoost প্রশিক্ষণের সময় অপ্টিমাইজ করা গাণিতিক ফাংশন যা পূর্বাভাসের ক্ষতি এবং নিয়মিতকরণ পদগুলিকে একত্রিত করে। একাধিক উদ্দেশ্য সমর্থন করে: রিগ্রেশন, বাইনারি/মাল্টি-ক্লাস শ্রেণীবিভাগ, র্যাঙ্কিং।
মূল্যায়ন মেট্রিক্স
প্রশিক্ষণের সময় কর্মক্ষমতা নিরীক্ষণের জন্য কাস্টমাইজযোগ্য মেট্রিক্সের সেট: RMSE, MAE, LogLoss, AUC, ত্রুটি হার ইত্যাদি। প্রধান অপ্টিমাইজেশন উদ্দেশ্য থেকে ভিন্ন হতে পারে।
ডি-ম্যাট্রিক্স
XGBoost-এর জন্য বিশেষভাবে অপ্টিমাইজ করা ডেটা স্ট্রাকচার যা মেমরিতে দক্ষতার সাথে ডেটাসেট সংরক্ষণ করে, স্পার্স ফরম্যাটে নেটিভ সমর্থন সহ। ডেটা অ্যাক্সেসকে ত্বরান্বিত করে এবং মেমরি ফুটপ্রিন্ট হ্রাস করে।