Glossário IA
O dicionário completo da Inteligência Artificial
Rotation Forest
Método de ensemble que constrói árvores de decisão sobre conjuntos de características transformadas por Análise de Componentes Principais (ACP) para maximizar a diversidade entre os classificadores base.
ACP em subconjuntos
Aplicação da Análise de Componentes Principais a partições aleatórias do espaço de características, criando eixos de projeção distintos para cada classificador da floresta.
Matriz de rotação
Matriz ortogonal resultante da ACP, utilizada para projetar os dados num novo espaço de características, garantindo a descorrelação e a diversidade das previsões das árvores.
Diversidade de classificador
Princípio fundamental dos métodos de ensemble que visa maximizar as diferenças de previsões entre os modelos base para reduzir a variância global e melhorar a generalização.
Bagging com transformação
Extensão do Bootstrap Aggregating onde as amostras bootstrapadas sofrem uma transformação do espaço de características antes do treinamento de cada modelo base.
Seleção de características por grupo
Técnica de particionamento das variáveis em subconjuntos disjuntos sobre os quais transformações independentes são aplicadas, aumentando a heterogeneidade dos classificadores.
K-fold feature splitting
Estratégia de divisão das características em K grupos para a Rotation Forest, onde cada grupo é transformado separadamente antes de ser recombinado para formar o conjunto final de características.
Espaço de características aumentado
Novo espaço de representação criado pela concatenação das componentes principais resultantes de cada subconjunto de características, preservando toda a informação original enquanto aumenta a diversidade.
Árvore de decisão sobre dados projetados
Classificador base na Rotation Forest treinado em dados previamente projetados em um espaço transformado por PCA, onde os nós de decisão operam sobre combinações lineares de características originais.
Coeficientes de rotação
Parâmetros da matriz de transformação ortogonal que definem como cada característica original contribui para as novas componentes principais para uma árvore específica da floresta.
Variância explicada por componente
Métrica resultante da PCA indicando a proporção da variância total dos dados capturada por cada componente principal, influenciando a qualidade da transformação na Rotation Forest.
Ortogonalização de características
Processo matemático que garante a independência linear entre as novas características criadas, essencial para evitar redundância e maximizar a diversidade nos conjuntos.
Conjunto heterogêneo
Coleção de classificadores base operando em espaços de características diferentes, como na Rotation Forest onde cada árvore vê uma rotação única dos dados de entrada.
Redução de covariância
Objetivo da Rotation Forest que visa minimizar a covariância entre os erros dos diferentes classificadores, forçando-os a operar em representações descorrelacionadas dos dados.
Projeção linear local
Transformação específica para cada árvore da floresta, aplicada apenas a um subconjunto de características, criando uma perspectiva única sobre os dados para este classificador particular.
Estabilidade da PCA
Robustez da decomposição em componentes principais face às variações nos dados de treinamento, um fator crítico para o desempenho e a consistência da Rotation Forest.
Hiperparâmetro de grupo
Parâmetro que controla o número de características por grupo na Rotation Forest, influenciando diretamente o equilíbrio entre a diversidade dos classificadores e a informação preservada em cada transformação.