एआई शब्दावली

📖

शब्द

Fuite d'Information

Risque dans le stacking où le méta-modèle est entraîné sur les mêmes données que les modèles de base, conduisant à un surapprentissage que le blending cherche à éviter via la validation hold-out.

📖

शब्द

Pondération de Prédictions

Technique dans le blending où le méta-modèle apprend des poids optimaux pour combiner les prédictions des modèles de base, souvent via une régression linéaire simple.

📖

शब्द

Stratification du Hold-out

Division stratifiée du jeu de validation hold-out en blending pour garantir que la distribution des classes soit préservée, essentiel pour les problèmes de classification déséquilibrés.

📖

शब्द

Blending à Plusieurs Niveaux

Extension du blending où les prédictions du premier méta-modèle deviennent des entrées pour un second méta-modèle, créant une hiérarchie de combinaisons de prédictions.

📖

शब्द

Cross-Blending

Variante du blending utilisant plusieurs splits hold-out et moyennant les prédictions des méta-modèles correspondants pour réduire la variance liée au choix spécifique du hold-out.

📖

शब्द

Calibration des Prédictions

Étape en blending où les probabilités de sortie des modèles de base sont recalibrées avant d'être fournies au méta-modèle pour assurer une cohérence dans l'échelle des prédictions.

📖

शब्द

Blending Stochastique

Approche où le jeu de validation hold-out est sélectionné aléatoirement à plusieurs itérations, entraînant plusieurs méta-modèles dont les prédictions sont ensuite moyennées.

📖

शब्द

Blending Temporel

Application du blending aux données temporelles où le hold-out respecte l'ordre chronologique, utilisant les périodes récentes pour entraîner le méta-modèle sur les prédictions passées.

📖

शब्द

Optimisation du Ratio Hold-out

Processus de détermination de la proportion optimale de données à réserver pour la validation hold-out en blending, équilibrant la qualité d'entraînement des modèles de base et du méta-modèle.

📖

शब्द

Blending Adaptatif

Méthode où le méta-modèle ajuste dynamiquement sa combinaison de prédictions en fonction de la performance observée de chaque modèle de base sur différents segments de données.