AI用語集
人工知能の完全辞典
弱分類器
ランダムよりわずかに優れた性能を持つ分類モデルで、ブースティングアルゴリズムにおける基本的な構成要素として使用されます。
学習重み
各学習例に割り当てられる数値で、アルゴリズムの次の反復での相対的な重要性を示します。
重み付き誤分類率
誤分類された例の重みの合計を全重みの合計で割ったものとして計算される、弱分類器の性能指標。
分類器の係数
AdaBoostの各弱分類器に対して計算されるアルファ重みで、その性能に基づいて最終的な投票での影響力を決定します。
決定性スタンプ
1つのノードと2つの葉を持つ簡略化された決定木で、AdaBoostではしばしば弱分類器として使用されます。
SAMME
AdaBoostの多クラス拡張（Stagewise Additive Modeling using a Multiclass Exponential loss）で、元のアルゴリズムを2クラス以上の問題に適応させるものです。
重み付き多数決
各分類器がAdaBoostアルゴリズムによって計算された信頼度係数に比例して投票する集約方法。
反復学習
各新しい分類器が前の分類器の性能に基づいて再重み付けされたデータで学習される逐次的プロセス。
弱学習仮説
ブースティングの基本的な原則で、ランダムより少し良い分類器を組み合わせて強力な分類器を得ることが可能であると定めるもの。
AdaBoost学習率
各弱分類器の最終モデルへの寄与を制御するshrinkageパラメータで、アルゴリズムの正則化を可能にする。
インスタンスの重み付け
AdaBoostの中核的なメカニズムで、困難なケースに焦点を当てるために訓練例の確率分布を変更する。
段階的加法モデリング
以前の分類器のパラメータを修正せずに分類器を順次追加するモデル構築アプローチ。
外れ値に対する頑健性
常に誤分類される例の重みが指数関数的に増加するためのAdaBoostの外れ値に対する感度。
AdaBoostの収束
特定の条件下で、AdaBoostの訓練誤差が反復回数とともに指数関数的に減少することを保証する理論的性質。
加法的決定境界
弱分類器の決定境界の重み付き線形結合から生じる最終的な分離面。