एआई शब्दावली

📖

शब्द

Regularization L1/L2

Mécanismes de pénalité intégrés dans XGBoost pour contrôler la complexité du modèle et prévenir le surapprentissage. L1 (Lasso) favorise la parcimonie tandis que L2 (Ridge) réduit l'amplitude des poids.

📖

शब्द

Max Depth

Paramètre contrôlant la profondeur maximale de chaque arbre de décision dans l'ensemble, limitant ainsi la complexité individuelle des apprenants. Profondeur typique entre 3 et 10 pour équilibrer biais-variance.

📖

शब्द

Subsample

Fraction des observations d'entraînement échantillonnées aléatoirement pour construire chaque arbre, introduisant de la stochasticité pour réduire le surapprentissage. Valeurs courantes entre 0.5 et 1.0.

📖

शब्द

Colsample_bytree

Proportion de features sélectionnées aléatoirement pour chaque arbre, similaire à l'approche Random Forest pour améliorer la robustesse et réduire la corrélation entre arbres. Permet l'feature subsampling horizontal.

📖

शब्द

Split Finding Algorithm

Algorithme optimisé de recherche des meilleurs points de division utilisant une approche approximative pondérée par quantiles pour accélérer l'entraînement sur grands datasets. Réduit significativement la complexité computationnelle.

📖

शब्द

Sparse-aware Algorithm

Capacité de XGBoost à traiter efficacement les valeurs manquantes et les matrices creuses sans imputation préalable. Apprend automatiquement la direction optimale pour les valeurs manquantes lors des divisions.

📖

शब्द

Parallel Processing

Implémentation multithreadée qui parallélise la construction des arbres au niveau des features et des instances pour accélérer l'entraînement. Supporte aussi le traitement distribué via frameworks comme Hadoop ou Spark.

📖

शब्द

Cross-validation

Fonctionnalité native de XGBoost permettant l'évaluation robuste du modèle via validation croisée k-fold intégrée avec early stopping automatique. Optimise la sélection d'hyperparamètres et prévient le surapprentissage.

📖

शब्द

लक्ष्य फ़ंक्शन

XGBoost प्रशिक्षण के दौरान अनुकूलित करने वाला गणितीय फ़ंक्शन जो भविष्यवाणी हानि और नियमन शब्दों को जोड़ता है। कई उद्देश्यों का समर्थन करता है: प्रतिगमन, बाइनरी/बहु-वर्गीय वर्गीकरण, रैंकिंग।

📖

शब्द

मूल्यांकन मीट्रिक्स

प्रशिक्षण के दौरान प्रदर्शन की निगरानी के लिए अनुकूलन योग्य मीट्रिक्स का एक सेट: RMSE, MAE, LogLoss, AUC, त्रुटि दर, आदि। मुख्य अनुकूलन उद्देश्य से अलग हो सकते हैं।

📖

शब्द

DMatrix

XGBoost के लिए डेटासेट को कुशलता से स्टोर करने के लिए ऑप्टिमाइज़ की गई डेटा संरचना जो स्पार्स प्रारूप के साथ मेमोरी में डेटा को स्टोर करने का समर्थन करती है। डेटा एक्सेस को तेज़ करता है और मेमोरी उपयोग को कम करता है।