Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Dynamic Ensemble Selection (DES)
Méthode d'agrégation où le sous-ensemble de modèles à utiliser pour la prédiction est sélectionné dynamiquement pour chaque nouvelle instance, en fonction de ses caractéristiques spécifiques et de la compétence des modèles dans la région locale de l'espace d'entrée.
Static Ensemble Selection (SES)
Approche où un sous-ensemble fixe de classifieurs est choisi une seule fois sur l'ensemble de validation, puis utilisé de manière identique pour toutes les instances futures, contrairement à la sélection dynamique qui s'adapte instance par instance.
Local Region of Competence
Voisinage autour d'une instance de test, défini par une métrique de distance, dans lequel la compétence des modèles de base est évaluée pour décider quels modèles utiliser pour la prédiction de cette instance.
K-Nearest Oracle (KNORA)
Famille d'algorithmes DES qui sélectionnent les modèles en se basant sur leur performance sur les k plus proches voisins de l'instance de test, avec des variantes comme KNORA-E (élimination) et KNORA-U (union).
Multiple Classifier Behaviour (MCB)
Technique qui analyse le comportement des classifieurs sur des instances étiquetées pour identifier des régions où certains modèles sont plus fiables, guidant ainsi la sélection dynamique.
Dynamic Selection vs. Dynamic Weighting
Distinction où la sélection dynamique choisit un sous-ensemble de modèles, tandis que la pondération dynamique attribue des poids à tous les modèles pour la prédiction finale, les deux s'adaptant instance par instance.
Homogeneous vs. Heterogeneous DES
Différenciation où les DES homogènes utilisent des modèles de base du même type (ex: tous des arbres de décision), tandis que les hétérogènes combinent différents types d'algorithmes pour une diversité accrue.
Region of Competence Estimation
Processus de détermination du voisinage pertinent pour une instance de test, crucial pour évaluer la compétence locale des modèles, souvent basé sur des métriques comme la distance euclidienne ou la similarité cosinus.
DES with Pre-Processing
Approche où des techniques de pré-traitement, comme la réduction de dimensionnalité ou le sur-échantillonnage, sont appliquées pour améliorer la définition des régions de compétence avant la sélection dynamique des modèles.
Online DES
Variante de la sélection dynamique d'ensembles conçue pour les flux de données, où la compétence des modèles et la sélection sont mises à jour continuellement au fur et à mesure que de nouvelles instances arrivent.
DespeRt Algorithm
Algorithme DES qui évalue la compétence des classifieurs en se basant sur la distribution des niveaux de confiance des prédictions sur les k plus proches voisins, favorisant les modèles à la fois compétents et diversifiés.
A Priori vs. A Posteriori DES
Distinction où les méthodes a priori sélectionnent les modèles avant de voir leurs prédictions pour l'instance de test, tandis que les méthodes a posteriori sélectionnent après avoir observé ces prédictions.
Dynamic Ensemble Selection for Imbalanced Data
Adaptation des méthodes DES pour gérer les ensembles de données déséquilibrées, où la sélection des modèles peut être biaisée pour améliorer la détection de la classe minoritaire.
Competence-Based Dynamic Selection
Paradigme central en DES où la décision de sélectionner un modèle repose uniquement sur une estimation de sa compétence locale pour l'instance considérée, plutôt que sur sa performance globale.