Glosarium AI
Kamus lengkap Kecerdasan Buatan
K-Nearest Oracles
Méthode DES évaluant la compétence des classifieurs sur les k plus proches voisins de l'instance de test pour déterminer lesquels utiliser pour la prédiction finale.
Region of Competence
Zone de l'espace des caractéristiques définie par les voisins les plus proches d'une instance de test, utilisée pour évaluer la compétence locale des classifieurs.
DES-KNN
Technique de sélection dynamique utilisant l'algorithme des k plus proches voisins pour définir la région de compétence et évaluer la performance locale des classifieurs.
Competence Map
Représentation spatiale des zones de compétence de chaque classifieur dans l'ensemble, permettant d'identifier visuellement les régions où chaque modèle excelle.
Local Accuracy Estimation
Processus d'évaluation de la performance d'un classifieur basé sur sa précision sur les instances similaires dans la région de compétence locale.
Ensemble Pruning
Technique de réduction de la taille d'un ensemble en éliminant les classifieurs redondants ou peu performants avant ou pendant la sélection dynamique.
DES-Clustering
Approche de sélection dynamique utilisant des algorithmes de clustering pour identifier des groupes d'instances similaires et évaluer la compétence des classifieurs sur chaque cluster.
Meta-Learning for DES
Utilisation de méta-apprentissage pour prédire la compétence des classifieurs basée sur des méta-caractéristiques extraites des instances et des performances passées.
Competence Diversity
Mesure de la variation dans les zones de compétence entre différents classifieurs d'un ensemble, essentielle pour une sélection dynamique efficace.
Dynamic Ensemble Integration
Processus de combinaison des prédictions des classifieurs sélectionnés dynamiquement, utilisant souvent des poids basés sur leur compétence locale estimée.
Online Dynamic Selection
Variante DES adaptée aux flux de données où la sélection et l'évaluation de la compétence se font en temps réel avec des données évolutives.
Performance Landscape
Représentation multidimensionnelle de la performance des classifieurs à travers différentes régions de l'espace des caractéristiques, guidant la sélection dynamique.
Hybrid DES
Approche combinant plusieurs techniques de sélection dynamique, comme le clustering et le k-NN, pour améliorer la robustesse et la précision de la sélection.
Competence Level
Score quantitatif évaluant le degré d'expertise d'un classifieur pour une instance spécifique, utilisé comme critère principal dans les méthodes DES.
Threshold-based DES
Méthode de sélection utilisant des seuils de compétence prédéfinis pour décider quels classifieurs inclure dans le sous-ensemble de prédiction.
Dynamic Classifier Selection
Variante de DES où seul le meilleur classifieur (plutôt qu'un sous-ensemble) est sélectionné pour chaque instance basé sur sa compétence locale maximale.