Glosario IA
El diccionario completo de la Inteligencia Artificial
Weighted Sample
Ejemplo de entrenamiento al que se asocia un peso que indica su importancia relativa en el algoritmo, ajustándose estos pesos iterativamente según los errores de clasificación.
Error Rate
Proporción de ejemplos mal clasificados por un clasificador, utilizada en AdaBoost para calcular el peso del clasificador en la decisión final y ajustar los pesos de los ejemplos.
Alpha Coefficient
Peso asignado a cada clasificador débil en el modelo final AdaBoost, calculado a partir de su tasa de error según la fórmula α = 0.5 * ln((1-error)/error).
Exponential Loss
Función de pérdida utilizada por AdaBoost que penaliza exponencialmente los errores de clasificación, favoreciendo así una corrección rápida de los ejemplos mal clasificados.
Sample Weight Update
Proceso iterativo en AdaBoost donde los pesos de los ejemplos se aumentan para los mal clasificados y se disminuyen para los bien clasificados, forzando al siguiente aprendiz a concentrarse en los ejemplos difíciles.
Voting Weight
Coeficiente multiplicativo aplicado a la predicción de cada clasificador débil durante el voto ponderado final en AdaBoost, basado en su rendimiento individual.
Adaptive Boosting
Principio fundamental de AdaBoost donde el algoritmo adapta dinámicamente su estrategia centrándose en los ejemplos más difíciles en cada iteración.
Iterative Training
Proceso de entrenamiento secuencial donde cada nuevo modelo se entrena en una versión modificada del conjunto de datos original, teniendo en cuenta el rendimiento de los modelos anteriores.
Margen de Clasificación
Medida de confianza de una clasificación calculada como la diferencia entre los pesos acumulados de los clasificadores que votan por la clase correcta y los que votan por la clase incorrecta.
Sobreajuste en Boosting
Fenómeno donde un modelo AdaBoost sobreaprende los datos de entrenamiento, particularmente cuando el número de iteraciones es demasiado alto o los aprendices débiles son demasiado complejos.