এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
লার্নিং রেট (শিখনের হার)
হাইপারপ্যারামিটার যা প্রতিটি এস্টিমেটরের চূড়ান্ত মডেলে অবদান নিয়ন্ত্রণ করে, যা কনভারজেন্স গতি এবং মডেলের নির্ভুলতার মধ্যে সমন্বয় সাধন করে।
ম্যাক্স ডেপথ (সর্বোচ্চ গভীরতা)
হাইপারপ্যারামিটার যা প্রতিটি সিদ্ধান্ত গাছের সর্বোচ্চ গভীরতা নির্ধারণ করে, মডেলের জটিলতা এবং ওভারফিটিংয়ের ঝুঁকি নিয়ন্ত্রণ করে।
স্প্লিট ফাইন্ডিং (বিভাজন খোঁজা)
একটি গাছের নোডে সেরা বিভাজন বিন্দু খুঁজে বের করার জন্য অ্যালগরিদমিক প্রক্রিয়া, যা XGBoost-এ হিস্টোগ্রাম নামক ডেটা স্ট্রাকচারের মাধ্যমে অপ্টিমাইজ করা হয়।
ট্রি প্রুনিং (গাছ ছাঁটাই)
লস গেইন স্কোরের উপর ভিত্তি করে পোস্ট-প্রুনিং কৌশল, যা ইতিবাচক লস লাভ না আনা গাছের শাখাগুলো সরিয়ে দিয়ে মডেলকে সরল করে।
আর্লি স্টপিং (প্রাথমিক থামানো)
নিয়মিতকরণ কৌশল যা প্রশিক্ষণ বন্ধ করে দেয় যখন ভ্যালিডেশন সেটের পারফরম্যান্স উন্নতি করা বন্ধ হয়ে যায়, ওভারফিটিং এড়াতে।
গামা (ন্যূনতম বিভাজন ক্ষতি)
নিয়মিতকরণ হাইপারপ্যারামিটার যা একটি গাছের নোডে নতুন বিভাজন সম্পাদনের জন্য প্রয়োজনীয় ন্যূনতম ক্ষতি নির্দিষ্ট করে, জটিলতা নিয়ন্ত্রণ করে।
ল্যাম্বডা (ওয়েটে L2 নিয়মিতকরণ)
L2 নিয়মিতকরণ হাইপারপ্যারামিটার যা গাছের পাতার ওয়েটে প্রয়োগ করা হয়, তাদের প্রশস্ততা হ্রাস করে ওভারফিটিং প্রতিরোধ করে।
আলফা (ওয়েটে L1 নিয়মিতকরণ)
L1 নিয়মিতকরণ হাইপারপ্যারামিটার যা গাছের পাতার ওয়েটে প্রয়োগ করা হয়, সংক্ষিপ্ততা পছন্দ করে এবং কিছু ওয়েট শূন্যে সেট করতে পারে।
স্কেল-পজ-ওয়েট
অসামঞ্জস্যপূর্ণ শ্রেণীবিভাগ সমস্যার জন্য ব্যবহৃত হাইপারপ্যারামিটার, যা নেতিবাচক শ্রেণীর তুলনায় ইতিবাচক শ্রেণীকে ওজন দেয়।
সমান্তরালীকরণ
এক্সজিবুস্টের একাধিক সিপিইউ কোর জুড়ে গাছের নির্মাণ সমান্তরাল করার ক্ষমতা, যা প্রশিক্ষণের সময়কে উল্লেখযোগ্যভাবে ত্বরান্বিত করে।
ক্যাশ-সচেতন অ্যাক্সেস
এক্সজিবুস্টের অ্যালগরিদমিক অপ্টিমাইজেশন যা ক্যাশ ব্যবহার সর্বাধিক করার জন্য মেমরি অ্যাক্সেস সংগঠিত করে, কর্মক্ষমতা উন্নত করে।