KI-Glossar
Das vollständige Wörterbuch der Künstlichen Intelligenz
Bagging SVM
Technique d'ensemble appliquant l'algorithme Bootstrap Aggregating aux classifieurs SVM pour réduire la variance et améliorer la stabilité des prédictions par échantillonnage répété avec remplacement.
Boosting SVM
Méthode d'ensemble adaptative qui combine séquentiellement des SVM faibles en ajustant les poids des instances mal classifiées à chaque itération pour créer un classifieur final robuste.
Random Subspace SVM
Approche d'ensemble où chaque SVM est entraîné sur un sous-ensemble aléatoire de caractéristiques, permettant de réduire la corrélation entre les classifieurs et d'améliorer la généralisation.
Majority Voting SVM
Méthode de combinaison où chaque SVM de l'ensemble vote pour une classe, la prédiction finale étant la classe recevant le plus grand nombre de votes parmi tous les classifieurs.
Weighted Voting SVM
Stratégie de fusion où les votes des SVM sont pondérés selon leurs performances individuelles ou leur niveau de confiance, permettant une décision plus nuancée que le vote majoritaire simple.
Stacking SVM
Architecture d'ensemble à deux niveaux utilisant des SVM comme classifieurs de base dont les prédictions servent d'entrées à un méta-classifieur SVM qui apprend à combiner optimalement leurs sorties.
Cascade SVM
Structure d'ensemble hiérarchique où les instances sont traitées séquentiellement à travers plusieurs niveaux de SVM, permettant une classification efficace avec complexité computationnelle réduite.
Multi-class SVM Ensemble
Approche combinant plusieurs stratégies de décomposition binaire (one-vs-one, one-vs-all) avec des techniques d'ensemble pour améliorer les performances de classification multi-classe des SVM.
Bootstrap SVM
Méthode d'échantillonnage bootstrap appliquée aux ensembles SVM, créant des ensembles d'entraînement multiples par tirage aléatoire avec remplacement pour diversifier les classifieurs de base.
Heterogeneous SVM Ensemble
Ensemble combinant différents types de SVM (kernel linéaire, RBF, polynomial) ou des SVM avec des hyperparamètres distincts pour exploiter des comportements de décision complémentaires.
Dynamic SVM Ensemble
Système d'ensemble adaptatif sélectionnant dynamiquement les SVM les plus pertinents pour chaque nouvelle instance à classifier, basé sur des mesures de compétence ou de similarité locales.
Ensemble Pruning SVM
Technique de sélection optimisant la taille de l'ensemble SVM en éliminant les classifieurs redondants ou moins performants pour maintenir ou améliorer la précision tout en réduisant la complexité computationnelle.
Co-training SVM
Approche semi-supervisée où deux ensembles SVM apprennent mutuellement à partir d'exemples non étiquetés, chaque ensemble aidant l'autre à identifier les instances les plus fiables pour l'entraînement.
Distributed SVM Ensemble
Architecture d'ensemble parallélisée où les SVM sont entraînées sur différents nœuds ou clusters, permettant de traiter des données massives tout en combinant efficacement les modèles locaux.
Online SVM Ensemble
Système d'ensemble adaptatif capable d'incorporer de nouvelles données en continu, mettant à jour dynamiquement les SVM existants ou en ajoutant de nouveaux classifieurs pour s'adapter aux changements de distribution.
Hierarchical SVM Ensemble
Structure d'ensemble multi-niveaux organisant les SVM dans une hiérarchie décisionnelle, permettant une classification granulaire progressive et efficace pour des problèmes complexes.
Cost-sensitive SVM Ensemble
Approche d'ensemble intégrant des matrices de coûts asymétriques dans la combinaison des SVM, optimisant les décisions en tenant compte des conséquences différentes des erreurs de classification.