এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
C4.5
কুইনল্যান দ্বারা ১৯৯৩ সালে উন্নত একটি সুপারভাইজড লার্নিং অ্যালগরিদম, ID3-এর একটি এক্সটেনশন যা ক্রমাগত বৈশিষ্ট্য এবং অনুপস্থিত ডেটা পরিচালনা করতে সক্ষম, বিভাজনের মানদণ্ড হিসেবে গেইন রেশিও ব্যবহার করে।
C5.0
কুইনল্যান দ্বারা উন্নত C4.5-এর উন্নত সংস্করণ, যা উচ্চতর কর্মক্ষমতা, বড় ডেটাসেটের আরও কার্যকর ব্যবস্থাপনা এবং মাল্টিপল ট্রি জেনারেট করার ক্ষমতা (বুস্টিং) প্রদান করে।
গেইন রেশিও
C4.5-এ ব্যবহৃত বিভাজনের মানদণ্ড যা অনেক মান বিশিষ্ট বৈশিষ্ট্যগুলির প্রতি ইনফরমেশন গেইনের পক্ষপাত সংশোধন করে, এটি ইনফরমেশন গেইনকে বৈশিষ্ট্যের ইন্ট্রিনসিক এনট্রপি দ্বারা ভাগ করে গণনা করা হয়।
ইন্ট্রিনসিক এনট্রপি
গেইন রেশিও গণনায় ব্যবহৃত একটি পরিমাপ যা অনেক মান বিশিষ্ট বৈশিষ্ট্যগুলিকে শাস্তি দেয়, একটি বৈশিষ্ট্যের মান বন্টনে থাকা সম্ভাব্য তথ্যের পরিমাণ প্রতিনিধিত্ব করে।
বাইনারি ডিসক্রিটাইজেশন
C4.5 দ্বারা ব্যবহৃত একটি কৌশল যা ক্রমাগত বৈশিষ্ট্যগুলিকে বাইনারি ক্যাটেগরিক্যাল বৈশিষ্ট্যে রূপান্তর করে সর্বোত্তম বিভাজন বিন্দু চিহ্নিত করার মাধ্যমে যা ইনফরমেশন গেইনকে সর্বাধিক করে।
অনুপস্থিত মান ব্যবস্থাপনা
C4.5-এর ক্ষমতা যা সম্ভাব্যতা ওয়েটিং পদ্ধতি ব্যবহার করে বা সম্ভাব্য শাখাগুলিতে ভগ্নাংশভাবে ইনস্ট্যান্স বন্টন করে অনুপস্থিত বৈশিষ্ট্য সহ ইনস্ট্যান্স পরিচালনা করে।
পেসিমিস্টিক প্রুনিং
C4.5-এ জটিলতা হ্রাসের একটি পদ্ধতি যা বাইনোমিয়াল ডিস্ট্রিবিউশনের উপর ভিত্তি করে ত্রুটির একটি পেসিমিস্টিক পরিসংখ্যানগত অনুমান ব্যবহার করে অপ্রয়োজনীয় শাখাগুলি দূর করে।
C5.0 বুস্টিং
C5.0-এ বাস্তবায়িত এনসেম্বল লার্নিং কৌশল যা একাধিক দুর্বল সিদ্ধান্ত গাছকে সংযুক্ত করে একটি শক্তিশালী ক্লাসিফায়ার তৈরি করে, যা পূর্বাভাসের নির্ভুলতা উল্লেখযোগ্যভাবে উন্নত করে।
অনুকূল বিভাজন বিন্দু
একটি অবিচ্ছিন্ন বৈশিষ্ট্যকে দুটি ব্যবধানে বিভক্ত করার জন্য C4.5 দ্বারা নির্ধারিত থ্রেশহোল্ড মান, যা বিভাজনের ফলে তথ্য লাভ সর্বাধিক করার জন্য নির্বাচিত হয়।
স্বাভাবিককৃত তথ্য লাভ
পক্ষপাত এড়ানোর জন্য কিছু প্রসঙ্গে ব্যবহৃত তথ্য লাভের একটি বৈকল্পিক, লাভ অনুপাতের অনুরূপ কিন্তু স্বাভাবিককরণের একটি সামান্য ভিন্ন গাণিতিক পদ্ধতি সহ।
C4.5 সিদ্ধান্ত বৃক্ষ
C4.5 অ্যালগরিদম দ্বারা উত্পাদিত একটি শ্রেণিবদ্ধ কাঠামো যেখানে প্রতিটি অভ্যন্তরীণ নোড একটি বৈশিষ্ট্যের উপর একটি পরীক্ষার প্রতিনিধিত্ব করে, প্রতিটি শাখা একটি পরীক্ষার ফলাফলের প্রতিনিধিত্ব করে এবং প্রতিটি পাত একটি শ্রেণির লেবেলের প্রতিনিধিত্ব করে।
C5.0 স্লাইডিং উইন্ডো
বৃক্ষ গঠনের সময় সম্পূর্ণ ডেটাসেটের মাধ্যমে চলমান একটি নমুনা উইন্ডো ব্যবহার করে বড় ডেটাসেটগুলি দক্ষতার সাথে প্রক্রিয়া করার জন্য C5.0-এ একটি অপ্টিমাইজেশন।
আত্মবিশ্বাস সহগ
প্রুনিংয়ের জন্য ত্রুটি অনুমানে C4.5-এ ব্যবহৃত প্যারামিটার (সাধারণত 25%), বৃক্ষের শাখাগুলির কর্মক্ষমতা মূল্যায়নে হতাশাবাদের স্তর নিয়ন্ত্রণ করে।
C4.5 IF-THEN নিয়ম
C4.5 দ্বারা উত্পাদিত সিদ্ধান্ত বৃক্ষের একটি বিকল্প উপস্থাপনা যেখানে মূল থেকে একটি পাত পর্যন্ত প্রতিটি পথ একটি শর্তাধীন শ্রেণিবিন্যাস নিয়মে রূপান্তরিত হয়।
C4.5 গণনাগত জটিলতা
C4.5-এর অ্যালগরিদমিক খরচ O(n * m * log n) ক্রমের, যেখানে n হল উদাহরণের সংখ্যা এবং m হল বৈশিষ্ট্যের সংখ্যা, বাছাই এবং ইনক্রিমেন্টাল গণনা কৌশল দ্বারা অপ্টিমাইজ করা।
মাল্টি-ওয়ে বিভাজন
বিভাগীয় বৈশিষ্ট্যগুলির জন্য দুটির বেশি শাখা সহ নোড তৈরি করার C4.5-এর ক্ষমতা, অন্যান্য অ্যালগরিদমের বিপরীতে যা বাইনারি বিভাজনে সীমাবদ্ধ।