এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ডাইনামিক এনসেম্বল সিলেকশন (DES)
একটি সমষ্টিগত পদ্ধতি যেখানে প্রতিটি নতুন ইনস্ট্যান্সের জন্য পূর্বাভাস দেওয়ার জন্য ব্যবহৃত মডেলগুলির উপসেটটি গতিশীলভাবে নির্বাচন করা হয়, নির্দিষ্ট বৈশিষ্ট্য এবং ইনপুট স্পেসের স্থানীয় অঞ্চলে মডেলগুলির দক্ষতার ভিত্তিতে।
স্ট্যাটিক এনসেম্বল সিলেকশন (SES)
একটি পদ্ধতি যেখানে ক্লাসিফায়ারগুলির একটি নির্দিষ্ট উপসেট একবার ভ্যালিডেশন সেটে নির্বাচন করা হয় এবং তারপর সমস্ত ভবিষ্যত ইনস্ট্যান্সের জন্য একইভাবে ব্যবহৃত হয়, গতিশীল নির্বাচনের বিপরীতে যা ইনস্ট্যান্স প্রতি অভিযোজিত হয়।
কম্পিটেন্সের স্থানীয় অঞ্চল
একটি টেস্ট ইনস্ট্যান্সের চারপাশের প্রতিবেশী এলাকা, দূরত্ব মেট্রিক দ্বারা সংজ্ঞায়িত, যেখানে বেস মডেলগুলির দক্ষতা মূল্যায়ন করা হয় সেই ইনস্ট্যান্সের পূর্বাভাসের জন্য কোন মডেলগুলি ব্যবহার করতে হবে তা সিদ্ধান্ত নেওয়ার জন্য।
কে-নিয়ারেস্ট ওরাকল (KNORA)
DES অ্যালগরিদমের একটি পরিবার যা টেস্ট ইনস্ট্যান্সের k-নিকটতম প্রতিবেশীদের উপর তাদের কর্মক্ষমতার ভিত্তিতে মডেল নির্বাচন করে, KNORA-E (এলিমিনেশন) এবং KNORA-U (ইউনিয়ন) এর মতো বৈচিত্র সহ।
মাল্টিপল ক্লাসিফায়ার বিহেভিয়ার (MCB)
একটি কৌশল যা লেবেলযুক্ত ইনস্ট্যান্সগুলিতে ক্লাসিফায়ারগুলির আচরণ বিশ্লেষণ করে সেই অঞ্চলগুলি চিহ্নিত করতে যেখানে নির্দিষ্ট মডেলগুলি আরও নির্ভরযোগ্য, এইভাবে গতিশীল নির্বাচনকে নির্দেশনা দেয়।
ডাইনামিক সিলেকশন বনাম ডাইনামিক ওয়েটিং
একটি পার্থক্য যেখানে গতিশীল নির্বাচন মডেলগুলির একটি উপসেট বেছে নেয়, যখন গতিশীল ওয়েটিং চূড়ান্ত পূর্বাভাসের জন্য সমস্ত মডেলকে ওজন নির্ধারণ করে, উভয়ই ইনস্ট্যান্স প্রতি অভিযোজিত হয়।
হোমোজেনিয়াস বনাম হেটেরোজেনিয়াস DES
একটি পার্থক্য যেখানে সমজাতীয় DES একই ধরনের বেস মডেল ব্যবহার করে (যেমন: সমস্ত ডিসিশন ট্রি), যখন বিষমজাতীয় বিভিন্ন ধরনের অ্যালগরিদম সমন্বয় করে বর্ধিত বৈচিত্র্যের জন্য।
কম্পিটেন্স অঞ্চল অনুমান
একটি টেস্ট ইনস্ট্যান্সের জন্য প্রাসঙ্গিক প্রতিবেশী এলাকা নির্ধারণের প্রক্রিয়া, মডেলগুলির স্থানীয় দক্ষতা মূল্যায়নের জন্য অত্যন্ত গুরুত্বপূর্ণ, প্রায়শই ইউক্লিডীয় দূরত্ব বা কোসাইন সাদৃশ্যের মতো মেট্রিক্সের উপর ভিত্তি করে।
প্রি-প্রসেসিং সহ DES
একটি পদ্ধতি যেখানে মডেলের গতিশীল নির্বাচনের পূর্বে আয়তন হ্রাস বা ওভারস্যাম্পলিংয়ের মতো প্রি-প্রসেসিং কৌশল প্রয়োগ করে দক্ষতার অঞ্চলগুলির সংজ্ঞা উন্নত করা হয়।
অনলাইন DES
গতিশীল এনসেম্বল নির্বাচনের একটি বৈকল্পিক যা ডেটা স্ট্রিমের জন্য ডিজাইন করা হয়েছে, যেখানে মডেলের দক্ষতা এবং নির্বাচন ক্রমাগত আপডেট হয় নতুন ইনস্ট্যান্স আসার সাথে সাথে।
DespeRt অ্যালগরিদম
একটি DES অ্যালগরিদম যা k-নিকটতম প্রতিবেশীদের উপর ভবিষ্যদ্বাণীর আত্মবিশ্বাস স্তরের বন্টনের ভিত্তিতে শ্রেণীবদ্ধকারীদের দক্ষতা মূল্যায়ন করে, দক্ষ এবং বৈচিত্র্যময় উভয় মডেলকে অগ্রাধিকার দেয়।
এ প্রিওরি বনাম এ পোস্টেরিওরি DES
একটি পার্থক্য যেখানে এ প্রিওরি পদ্ধতি টেস্ট ইনস্ট্যান্সের জন্য তাদের ভবিষ্যদ্বাণী দেখার আগেই মডেল নির্বাচন করে, অন্যদিকে এ পোস্টেরিওরি পদ্ধতি এই ভবিষ্যদ্বাণীগুলি পর্যবেক্ষণের পরে নির্বাচন করে।
অসামঞ্জস্যপূর্ণ ডেটার জন্য গতিশীল এনসেম্বল নির্বাচন
ডেটাসেটের ভারসাম্যহীনতা পরিচালনার জন্য DES পদ্ধতির অভিযোজন, যেখানে সংখ্যালঘু শ্রেণীর সনাক্তকরণ উন্নত করার জন্য মডেল নির্বাচন পক্ষপাতদুষ্ট হতে পারে।
দক্ষতা-ভিত্তিক গতিশীল নির্বাচন
DES-এ কেন্দ্রীয় প্যারাডাইম যেখানে একটি মডেল নির্বাচনের সিদ্ধান্ত শুধুমাত্র বিবেচিত ইনস্ট্যান্সের জন্য তার স্থানীয় দক্ষতার অনুমানের উপর ভিত্তি করে নেওয়া হয়, তার সামগ্রিক কর্মক্ষমতার উপর নয়।