एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
बैगिंग
एक एन्सेम्बल तकनीक जो मूल डेटासेट के बूटस्ट्रैप नमूनों पर कई मॉडल बनाती है और बहुमत वोट या औसत द्वारा उनकी भविष्यवाणियों को एकत्रित करती है।
बूस्टिंग
एक अनुक्रमिक विधि जहाँ प्रत्येक मॉडल पिछले मॉडल की त्रुटियों से सीखता है, गलत वर्गीकृत उदाहरणों को अधिक महत्व देकर धीरे-धीरे प्रदर्शन में सुधार करता है।
स्टैकिंग
एक ऐसी विधि जो कई आधार मॉडलों की भविष्यवाणियों को एक मेटा-मॉडल के माध्यम से जोड़ती है, जो बेहतर अंतिम भविष्यवाणियों के लिए उनके भार को अनुकूलित करना सीखता है।
रैंडम फ़ॉरेस्ट
निर्णय वृक्षों का एक समूह जो बैगिंग का उपयोग करता है, जिसमें प्रत्येक विभाजन पर विशेषताओं का यादृच्छिक चयन होता है, विचरण को कम करता है और ओवरफिटिंग से बचाता है।
ग्रेडिएंट बूस्टिंग
एक बूस्टिंग एल्गोरिथम जो क्रमिक रूप से ऐसे मॉडल बनाता है जो ग्रेडिएंट डिसेंट के माध्यम से पिछले मॉडल के अवशिष्टों को ठीक करना सीखते हैं।
एडाबूस्ट
अनुकूली बूस्टिंग जो प्रशिक्षण उदाहरणों और कमजोर क्लासिफायर के भार को समायोजित करती है ताकि वर्गीकृत करने में कठिन मामलों पर ध्यान केंद्रित किया जा सके।
एक्सजीबूस्ट
L1/L2 नियमितीकरण, समानांतर प्रसंस्करण और अनुपलब्ध मानों के कुशल प्रबंधन के साथ ग्रेडिएंट बूस्टिंग का अनुकूलित कार्यान्वयन।
लाइटजीबीएम
एक ग्रेडिएंट बूस्टिंग फ्रेमवर्क जो बड़े डेटासेट पर तेज़ और कुशल प्रशिक्षण के लिए लीफ-वाइज़ ग्रोथ और हिस्टोग्राम-आधारित एल्गोरिदम का उपयोग करता है।
कैटबूस्ट
ग्रेडिएंट बूस्टिंग एल्गोरिथम जो बिना किसी पूर्व एन्कोडिंग के श्रेणीबद्ध चर के स्वचालित प्रसंस्करण में विशेषज्ञता रखता है।
वोटिंग क्लासिफायर
एक एनसेंबल विधि जो कई क्लासिफायर के अनुमानों को बहुमत वोट (हार्ड वोटिंग) या औसत संभावनाओं (सॉफ्ट वोटिंग) द्वारा जोड़ती है।
एक्स्ट्रा ट्रीज़
अत्यधिक यादृच्छिक ट्रीज़ जो प्रत्येक विभाजन के लिए बिना बूटस्ट्रैप के पूर्ण यादृच्छिक कट का उपयोग करते हैं, जिससे विविधता बढ़ती है और पूर्वाग्रह कम होता है।
ब्लेंडिंग
स्टैकिंग का एक प्रकार जिसमें क्रॉस-वैलिडेशन के बजाय मेटा-मॉडल को प्रशिक्षित करने के लिए एक होल्ड-आउट सत्यापन सेट का उपयोग किया जाता है, यह सरल है लेकिन कम मजबूत है।
गतिशील समूह चयन
ऐसी विधियाँ जो प्रत्येक नए भविष्यवाणी किए जाने वाले उदाहरण के लिए सक्षम मॉडलों के एक उप-समूह का गतिशील रूप से चयन करती हैं, जिससे स्थानीय प्रदर्शन अनुकूलित होता है।
एन्सेम्बल विविधता
एन्सेम्बल की मजबूती में सुधार करने और सहसंबद्ध त्रुटियों को कम करने के लिए आधारभूत मॉडलों के बीच विविधता को मापने और अधिकतम करने वाली तकनीकें।
हाइब्रिड एन्सेम्बल विधियाँ
विभिन्न एन्सेम्बल तकनीकों (बैगिंग + बूस्टिंग) का संयोजन या न्यूरल नेटवर्क जैसे अन्य प्रतिमानों का एकीकरण।