Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Diversity Measure
Métrique quantitative évaluant le degré de dissimilarité entre les prédictions des modèles de base dans un ensemble, essentielle pour prévenir la corrélation des erreurs.
Q-Statistic
Coefficient statistique mesurant la dépendance entre deux classifieurs binaires, variant de -1 (diversité maximale) à 1 (corrélation parfaite) avec 0 indiquant l'indépendance.
Correlation Coefficient
Métrique statistique évaluant la relation linéaire entre les prédictions de deux classifieurs, où des valeurs proches de 0 indiquent une forte diversité bénéfique.
Disagreement Measure
Proportion d'instances où deux classifieurs produisent des prédictions différentes, calculée comme le ratio de désaccords sur le nombre total d'observations.
Kappa Statistic
Mesure de concordance ajustée pour le hasard entre classifieurs, où des valeurs négatives indiquent une diversité supérieure à celle attendue par hasard.
Entropy Measure
Métrique basée sur l'entropie de Shannon évaluant la diversité à travers la distribution des prédictions de l'ensemble, avec des valeurs élevées indiquant une diversité maximale.
Kohavi-Wolpert Variance
Mesure de diversité basée sur la variance des prédictions binaires de l'ensemble, liée directement au taux d'erreur de Bayes optimal et à la décomposition biais-variance.
Double Fault Measure
Proportion d'instances où deux classifieurs commettent simultanément la même erreur, avec des valeurs faibles indiquant une complémentarité bénéfique des modèles.
Difficulty Measure
Métrique évaluant la facilité avec laquelle les instances sont classées correctement par l'ensemble, utilisée pour identifier les échantillons problématiques nécessitant plus de diversité.
Margin-Based Diversity
Approche mesurant la diversité à travers la distribution des marges de classification, où une large dispersion des marges indique une robustesse accrue de l'ensemble.
Ambiguity Decomposition
Décomposition mathématique séparant l'erreur de l'ensemble en erreur moyenne des modèles de base plus un terme d'ambiguïté quantifiant leur diversité.
Error Correlation
Coefficient de corrélation calculé sur les vecteurs d'erreurs des modèles de base, où des valeurs négatives sont particulièrement bénéfiques pour la performance de l'ensemble.
Negative Correlation Learning
Technique d'apprentissage intégrant un terme de pénalité encourageant explicitement la corrélation négative entre les erreurs des modèles de base pendant l'entraînement.
Diversity-Promoting Regularization
Terme de régularisation ajouté à la fonction de perte pour encourager activement la diversité entre les prédictions des modèles pendant l'entraînement de l'ensemble.
Orthogonal Ensemble Learning
Méthode contrainte les modèles de base à apprendre des représentations orthogonales dans l'espace des caractéristiques, garantissant mathématiquement leur diversité.
Heterogeneous Ensemble Diversity
Étude de la diversité émergeant naturellement de la combinaison d'algorithmes de types différents (arbres, réseaux neuronaux, SVM) exploitant leurs biais complémentaires.