AI-woordenlijst
Het complete woordenboek van kunstmatige intelligentie
Classification Margin
Distance between a sample and the nearest decision boundary in a classification space. This margin quantifies the degree of certainty of the model regarding its prediction.
Margin-based Uncertainty
Uncertainty evaluation method based on the difference between the probabilities of the two most likely classes. The smaller this margin, the more uncertain the sample is considered to be.
Margin-based Sampling
Active selection strategy that prioritizes samples with the smallest classification margins. This approach targets the most ambiguous examples to effectively improve the model.
Minimum Margin Selection
Technique consisting of choosing samples where the margin between the two most probable classes is the lowest. These samples are located near the decision boundary.
Margin-based Active Learning
Learning paradigm where the model iteratively selects samples with the smallest margins for labeling. This strategy optimizes model improvement with a limited annotation budget.
Confidence Margin
Quantitative measure indicating the model's confidence level in its prediction, calculated as the difference between the probability of the predicted class and that of the second most probable class.
Distance to Boundary
Geometric measure quantifying how far a sample is from the decision boundary. Samples with minimum distances are prioritized in active learning.
Ambiguous Samples
Data points located in regions of the space where the model exhibits low confidence between several classes. These samples are characterized by very small classification margins.
Marge de sécurité
Concept théorique représentant la distance minimale souhaitée entre les échantillons et la frontière de décision. Une marge de sécurité élevée indique une classification plus robuste et généralisable.
Stratégie de marge
Approche d'interrogation active qui utilise la marge de classification comme critère principal pour sélectionner les échantillons à annoter. Cette stratégie est particulièrement efficace pour les modèles probabilistes.
Marge de séparation
Distance mesurée entre les classes adjacentes dans un problème de classification multi-classe. Cette marge détermine la facilité avec laquelle un modèle peut distinguer entre différentes catégories.
Échantillonnage par marge
Processus de sélection d'échantillons basé sur leur position relative à la frontière de décision. Cette méthode favorise les exemples qui améliorent le plus la définition des limites entre classes.
Marge de décision
Valeur numérique représentant le score de décision d'un classificateur pour un échantillon donné. Elle est souvent utilisée pour calculer la confiance du modèle dans sa prédiction.
Marge d'incertitude
Zone de l'espace de caractéristiques où le modèle présente une faible confiance dans ses prédictions. Cette zone est définie par des échantillons ayant des marges de classification inférieures à un seuil prédéfini.
Sélection par frontière
Variante de la stratégie basée sur les marges qui se concentre spécifiquement sur les échantillons situés à proximité immédiate de la frontière de décision. Cette approche cible les points les plus critiques pour améliorer la discrimination.
Marge de prédiction
Différence entre les probabilités de prédiction des deux classes les plus probables pour un échantillon donné. Une marge faible indique une prédiction incertaine nécessitant potentiellement une annotation humaine.
Échantillons limitrophes
Points de données positionnés à la limite entre plusieurs régions de classification dans l'espace des caractéristiques. Ces échantillons sont cruciaux pour définir précisément les frontières de décision du modèle.