एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
Bootstrap Aggregating
सांख्यिकीय विधि जो बूटस्ट्रैप पुनर्नमूने और इन नमूनों पर प्रशिक्षित कई मॉडल की भविष्यवाणियों के संगठन को जोड़कर परिणामों को स्थिर बनाती है।
Échantillonnage avec remise
बूटस्ट्रैप नमूने बनाने की तकनीक जहां प्रत्येक अवलोकन को कई बार चुना जा सकता है, प्रशिक्षण उपसमुच्चयों की अधिकतम विविधता की अनुमति देता है।
Out-of-Bag (OOB)
एक विशिष्ट बूटस्ट्रैप बनाते समय गैर-चयनित अवलोकनों का नमूना, आंतरिक मान्यकरण सेट के रूप में उपयोग किया जाता है जो क्रॉस-वैलिडेशन के बिना प्रदर्शन का मूल्यांकन करता है।
Erreur OOB
मूल्यांकन मीट्रिक जो प्रत्येक अवलोकन के लिए आउट-ऑफ-बैग नमूनों पर भविष्यवाणियों को जोड़कर गणना की जाती है, जनरलाइजेशन त्रुटि का एक अनाकलित अनुमान प्रदान करता है।
Agrégation par vote majoritaire
वर्गीकरण में भविष्यवाणियों को जोड़ने की विधि जहां प्रत्येक मॉडल एक वर्ग के लिए मतदान करता है और अंतिम भविष्यवाणी के रूप में बहुमत वर्ग का चयन किया जाता है।
Agrégation par moyenne
पुनर्गठन में संयोजन की तकनीक जहां सभी मॉडल की संख्यात्मक भविष्यवाणियों को औसत किया जाता है ताकि अधिक स्थिर अंतिम भविष्यवाणी उत्पन्न हो सके।
Parallélisation
बैगिंग का संगणनात्मक लाभ जो विभिन्न प्रोसेसरों या मशीनों पर मॉडल के समवर्ती प्रशिक्षण की अनुमति देता है क्योंकि वे एक दूसरे से स्वतंत्र होते हैं।
Sous-espaces aléatoires
बैगिंग का विस्तार जहां प्रत्येक मॉडल केवल विशेषताओं के एक यादृच्छिक उपसमुच्चय का उपयोग करता है, भविष्यवाणियों के बीच विविधता बढ़ाता है और सहसंबंध को कम करता है।
अवरोधित निर्णय पेड़
बैगिंग में उपयोग किए जाने वाले आधार शिक्षकों को बिना कटाई के अधिकतम जटिलता पर छोड़ दिया जाता है, क्योंकि समुच्चयन उनके व्यक्तिगत अधिक अधिक सीखने की भरपाई करेगा।
मॉडल स्थिरता
बैगिंग द्वारा सुधारित गुण जहां अंतिम मॉडल की भविष्यवाणियां प्रशिक्षण डेटा के छोटे परिवर्तनों के प्रति कम भिन्न होती हैं।
अत्यधिक यादृच्छिक वन
यादृच्छिक वन का एक संस्करण जहां चरों को विभाजित करने के थ्रेसहोल्ड को अनुकूलित करने के बजाय यादृच्छिक रूप से चुना जाता है, जो पूर्वाग्रह की कीमत पर विविधता बढ़ाता है।
प्रीडिक्टर सहसंबंध
बैगिंग की प्रभावशीलता में एक प्रमुख कारक जहां आधार मॉडल की भविष्यवाणियों के बीच कम सहसंबंध विचरण को कम करने में बेहतर सुधार होता है।
एनसेम्बल का आकार
बैगिंग में मॉडल की संख्या जहां अधिक संख्या विचरण को कम करती है लेकिन घटते हुए लाभ और बढ़ती संगणना लागत के साथ।
बूटस्ट्रैप नमूने
मूल प्रशिक्षण सेट से प्रतिस्थापन के साथ नमूनाकरण द्वारा बनाए गए डेटा सेट, प्रत्येक लगभग 63.2% अद्वितीय अवलोकन रखता है।
बैगिंग बूस्टिंग संकरण
बैगिंग और बूस्टिंग के सिद्धांतों को जोड़ने वाले तरीके जो विचरण और पूर्वाग्रह दोनों को कम करने का लाभ उठाते हैं।
अनुभवजन्य विचरण
आधार मॉडल की भविष्यवाणियों के प्रकीर्णन को मापने वाला मापदंड जो बैगिंग के संभावित लाभ का संकेतक है।