Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Weighted Sample
Exemple d'entraînement auquel est associé un poids indiquant son importance relative dans l'algorithme, ces poids étant ajustés itérativement selon les erreurs de classification.
Error Rate
Proportion d'exemples mal classés par un classifieur, utilisée dans AdaBoost pour calculer le poids du classifieur dans la décision finale et ajuster les poids des exemples.
Alpha Coefficient
Poids attribué à chaque classifieur faible dans le modèle final AdaBoost, calculé à partir de son taux d'erreur selon la formule α = 0.5 * ln((1-erreur)/erreur).
Exponential Loss
Fonction de perte utilisée par AdaBoost qui pénalise exponentiellement les erreurs de classification, favorisant ainsi une correction rapide des exemples mal classés.
Sample Weight Update
Processus itératif dans AdaBoost où les poids des exemples sont augmentés pour les mal classés et diminués pour les bien classés, forçant le prochain apprenant à se concentrer sur les exemples difficiles.
Voting Weight
Coefficient multiplicatif appliqué à la prédiction de chaque classifieur faible lors du vote pondéré final dans AdaBoost, basé sur sa performance individuelle.
Adaptive Boosting
Principe fondamental d'AdaBoost où l'algorithme adapte dynamiquement sa stratégie en se concentrant sur les exemples les plus difficiles à chaque itération.
Iterative Training
Processus d'entraînement séquentiel où chaque nouveau modèle est formé sur une version modifiée du jeu de données original, tenant compte des performances des modèles précédents.
Classification Margin
Mesure de confiance d'une classification calculée comme la différence entre les poids cumulés des classifieurs votant pour la classe correcte et ceux votant pour la classe incorrecte.
Overfitting in Boosting
Phénomène où un modèle AdaBoost sur-apprend les données d'entraînement, particulièrement lorsque le nombre d'itérations est trop élevé ou les apprenants faibles sont trop complexes.