AI 용어집
인공지능 완전 사전
Pondération des exemples
Mécanisme fondamental d'AdaBoost attribuant des poids aux instances d'entraînement, augmentant progressivement le poids des exemples mal classifiés pour forcer les classifieurs suivants à s'y concentrer.
Alpha (α) d'AdaBoost
Coefficient de pondération calculé pour chaque classifieur faible basé sur son erreur de classification, déterminant son influence dans le vote final du modèle ensembliste.
Fonction de perte exponentielle
Fonction objectif optimisée par AdaBoost qui pénalise exponentiellement les erreurs de classification, justifiant mathématiquement la stratégie de repondération des exemples difficiles.
SAMME
Variante multi-classe d'AdaBoost (Stagewise Additive Modeling using a Multi-class Exponential loss function) étendant l'algorithme original binaire aux problèmes de classification avec plus de deux classes.
SAMME.R
Extension de SAMME utilisant les probabilités de prédiction des classifieurs plutôt que les étiquettes de classe dures, offrant une convergence plus rapide et de meilleures performances théoriques.
Erreur de classification pondérée
Métrique d'évaluation utilisée dans AdaBoost qui calcule la somme des poids des exemples mal classifiés divisée par la somme totale des poids, déterminant la performance de chaque classifieur faible.
Convergence d'AdaBoost
Propriété théorique garantissant que l'erreur d'entraînement d'AdaBoost diminue exponentiellement avec le nombre d'itérations tant que les classifieurs faibles restent meilleurs que le hasard.
Stochastic AdaBoost
Variante d'AdaBoost utilisant un sous-échantillonnage aléatoire des données d'entraînement à chaque itération, réduisant le temps de calcul et améliorant la généralisation en introduisant de la diversité.
Early Stopping en AdaBoost
Technique d'arrêt prématuré de l'entraînement d'AdaBoost basée sur les performances sur un ensemble de validation pour éviter le surapprentissage et optimiser le nombre optimal de classifieurs.