Glossário IA
O dicionário completo da Inteligência Artificial
Seleção de Modelos
Processo sistemático de identificação e seleção dos modelos com melhor desempenho dentro de um conjunto de aprendizagem. Esta seleção baseia-se em critérios de desempenho, diversidade e complementaridade entre os modelos.
Poda Baseada em Diversidade
Método de poda que privilegia a seleção de modelos que apresentam previsões diversificadas e complementares. O objetivo é maximizar a diversidade do conjunto final para melhorar a robustez das previsões.
Poda Gulosa
Algoritmo de poda iterativo que seleciona ou elimina os modelos um por um de acordo com um critério de otimização local. Este método procura uma solução subótima, mas computacionalmente eficiente.
Poda Genética
Abordagem de poda inspirada em algoritmos genéticos que utiliza operadores de seleção, cruzamento e mutação para otimizar a composição do conjunto. Este método explora o espaço de soluções de forma mais exaustiva.
Poda Baseada em Agrupamento (Clustering)
Técnica de poda que agrupa modelos semelhantes em clusters e depois seleciona representantes de cada cluster. Este método garante uma boa cobertura do espaço de previsões, ao mesmo tempo que reduz a redundância.
Seleção de Conjunto (Ensemble)
Processo de escolha ótima de um subconjunto de modelos de um conjunto maior para maximizar o desempenho da previsão. Esta seleção pode ser formulada como um problema de otimização combinatória.
Classificação de Modelos
Estabelecimento de uma ordem de prioridade dos modelos do conjunto com base em métricas de desempenho e contribuição. Esta classificação guia o processo de poda, identificando os modelos mais relevantes.
Redução de Conjunto (Ensemble)
Diminuição controlada do tamanho de um conjunto de aprendizagem, preservando as suas capacidades de generalização. Esta redução visa encontrar um compromisso ótimo entre desempenho e complexidade computacional.
Estratégia de Poda
Conjunto de regras e algoritmos que definem como os modelos são avaliados e eliminados durante o processo de poda. A estratégia determina os critérios de seleção e a ordem de eliminação dos modelos.
Seleção de Subconjuntos
Problema de otimização que consiste em identificar o melhor subconjunto de modelos que maximiza uma dada função objetivo. Esta seleção pode ser abordada por métodos exatos ou heurísticos.
Otimização de Ensemble
Processo de melhoria da composição e estrutura de um ensemble para alcançar um desempenho ótimo. A otimização inclui a poda, a ponderação e a seleção dos membros do ensemble.
Limiar de Poda
Valor crítico utilizado como critério de decisão para eliminar modelos durante o processo de poda. Este limiar pode ser baseado em métricas de desempenho, diversidade ou contribuição marginal.
Compressão de Ensemble
Redução do tamanho de um ensemble, preservando as suas capacidades preditivas através de técnicas de destilação ou poda. Esta compressão facilita a implementação e a inferência em produção.
Seleção Progressiva (Forward Selection)
Método de poda construtivo que adiciona progressivamente os modelos mais benéficos ao ensemble. Esta abordagem garante que cada modelo adicionado contribui positivamente para o desempenho global.
Eliminação Regressiva (Backward Elimination)
Estratégia de poda que começa com o ensemble completo e elimina iterativamente os modelos menos úteis. Este método permite avaliar o impacto de cada modelo no desempenho do ensemble.
Critérios de Poda
Conjunto de métricas e regras utilizadas para avaliar a utilidade de cada modelo no ensemble. Estes critérios combinam geralmente medidas de desempenho, diversidade e complexidade.
Simplificação de Conjunto
Processo de redução da complexidade estrutural de um conjunto, mantendo suas capacidades preditivas. Esta simplificação pode incluir poda, fusão de modelos semelhantes e redução de parâmetros.