AI 용어집
인공지능 완전 사전
Extremely Randomized Trees
Nom complet de l'algorithme Extra Trees, mettant l'accent sur l'extrême randomisation des seuils de division pour réduire la variance.
Random Splits
Technique où les points de coupure des variables sont choisis aléatoirement plutôt qu'optimisés, augmentant la diversité des arbres dans l'ensemble.
Complete Randomization
Approche où les divisions d'arbres sont entièrement aléatoires, contrairement aux méthodes semi-aléatoires comme Random Forest.
No Bootstrap Sampling
Caractéristique distinctive d'Extra Trees utilisant l'ensemble des données d'entraînement plutôt que des échantillons bootstrap.
Split Point Randomization
Sélection aléatoire du point de division dans la plage de valeurs d'une caractéristique, sans optimisation du critère de division.
Bias Reduction
Diminution du biais systématique dans les prédictions grâce à l'agrégation de multiples modèles aux erreurs différentes.
Decision Threshold
Valeur limite choisie aléatoirement dans Extra Trees pour diviser les nœuds des arbres de décision.
Feature Subsampling
Processus de sélection aléatoire d'un sous-ensemble de variables pour chaque division, réduisant la corrélation entre arbres.
Model Aggregation
Combination des prédictions de multiples arbres par vote majoritaire ou moyenne pour générer la prédiction finale.
Random Feature Selection
Processus de choix aléatoire des caractéristiques considérées à chaque division d'arbre dans l'algorithme Extra Trees.
Extreme Randomization Principle
Fondement théorique d'Extra Trees maximisant l'aléatoire dans la construction des arbres pour optimiser la diversité.