এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
লিফ-ওয়াইজ বৃদ্ধি
গাছ বিভাজনের একটি কৌশল যা বিভাজনের জন্য সর্বাধিক ক্ষতি হ্রাস সহ পাতাটি বেছে নেয়, লেভেল-ওয়াইজ বৃদ্ধির বিপরীতে, কম গভীরতায় দ্রুত অভিসৃতি অনুমোদন করে।
ফিচার বিনিং
ক্রমাগত বৈশিষ্ট্যগুলিকে বিচ্ছিন্ন ব্যবধানে (বিন) বিচ্ছিন্ন করার কৌশল, বিভাজন বিন্দুগুলির গণনা ত্বরান্বিত করতে এবং মেমরি ফুটপ্রিন্ট হ্রাস করতে, কিছুটা নির্ভুলতা হারানোর বিনিময়ে।
গ্রেডিয়েন্ট-ভিত্তিক এক-পার্শ্বীয় স্যাম্পলিং (GOSS)
লাইটজিবিএমের একটি উদ্ভাবনী স্যাম্পলিং পদ্ধতি যা বড় গ্রেডিয়েন্ট সহ সমস্ত উদাহরণ সংরক্ষণ করে এবং ছোট গ্রেডিয়েন্ট সহগুলিতে এলোমেলো স্যাম্পলিং সম্পাদন করে, উল্লেখযোগ্য নির্ভুলতা হারানো ছাড়াই প্রশিক্ষণ দ্রুততর করে।
এক্সক্লুসিভ ফিচার বান্ডলিং (EFB)
মাত্রিকতা হ্রাসের একটি অ্যালগরিদম যা পারস্পরিকভাবে একচেটিয়া বৈশিষ্ট্যগুলি (একই সময়ে শূন্য নয়) চিহ্নিত করে এবং একটি যৌগিক বৈশিষ্ট্যে একত্রিত করে, ফলে বৈশিষ্ট্যগুলির সংখ্যা হ্রাস পায়।
গ্রেডিয়েন্ট হিস্টোগ্রাম
লাইটজিবিএম দ্বারা ব্যবহৃত একটি ডেটা স্ট্রাকচার যা গ্রেডিয়েন্ট এবং হেসিয়ানগুলি বিনে সংরক্ষণ করে, গাছ তৈরি করার সময় প্রতিটি সম্ভাব্য বিভাজন বিন্দুর জন্য পরিসংখ্যান দ্রুত গণনা করতে সক্ষম করে।
নাম লিভস
লাইটজিবিএমের প্রধান প্যারামিটার যা প্রতিটি গাছে পাতার সর্বাধিক সংখ্যা নিয়ন্ত্রণ করে, সরাসরি মডেলের জটিলতা এবং বায়াস-ভ্যারিয়েন্স ট্রেড-অফকে প্রভাবিত করে, লিফ-ওয়াইজ বৃদ্ধির জন্য `max_depth`-এর চেয়ে বেশি গুরুত্বপূর্ণ।
এল১ এবং এল২ নিয়মিতকরণ
নিয়মিতকরণ প্যারামিটার (`lambda_l1`, `lambda_l2`) যা পাতার ওজনে প্রয়োগ করা হয় মডেলের জটিলতা নিয়ন্ত্রণ করতে এবং ওভারফিটিং প্রতিরোধ করতে, যথাক্রমে উচ্চ ওজন এবং ওজনের মাত্রা শাস্তি দিয়ে।
লিফে সর্বনিম্ন ডেটা
একটি পাতায় প্রয়োজনীয় নমুনার সর্বনিম্ন সংখ্যা (বা সর্বনিম্ন মোট ওজন), অত্যধিক নির্দিষ্ট পাতা তৈরি এড়াতে এবং লাইটজিবিএম মডেলগুলিতে ওভারফিটিং মোকাবেলা করার জন্য একটি মূল প্যারামিটার।
ক্যাটবুস্ট ফিচার হ্যান্ডলিং
লাইটজিবিএম-এর ক্যাটাগরিক্যাল ফিচারগুলোকে স্বাভাবিকভাবে হ্যান্ডল করার ক্ষমতা, যা স্পেসিফিক ট্রান্সফরমেশন ব্যবহার করে সেগুলোকে ইন্টিজারে ম্যাপ করে, ফলে ম্যানুয়াল ওয়ান-হট এনকোডিং এড়ানো যায় এবং দক্ষতা বৃদ্ধি পায়।
লিফ-ওয়াইজ গ্রোথ ওভারফিটিং
লিফ-ওয়াইজ গ্রোথের সাথে সম্পর্কিত একটি স্পেসিফিক ঝুঁকি যেখানে মডেল অত্যধিক গভীর এবং স্পেশালাইজড লিফ তৈরি করে ওভারফিট করতে পারে, যা নিয়ন্ত্রণের জন্য বর্ধিত রেগুলারাইজেশন (যেমন: `num_leaves`, `min_data_in_leaf`) প্রয়োজন।
ডিএআরটি (ড্রপআউটস মিট মাল্টিপল অ্যাডিটিভ রিগ্রেশন ট্রিস)
লাইটজিবিএম-এ ইমপ্লিমেন্টেড বুস্টিং-এর একটি ভেরিয়েন্ট যা নতুন ট্রি যোগ করার সময় পূর্ববর্তী ট্রিগুলোতে ড্রপআউট টেকনিক প্রয়োগ করে, ফলে রেগুলারাইজেশন উন্নত হয় এবং কিছু ডেটাসেটে পারফরম্যান্স বৃদ্ধি পায়।