Glossário IA
O dicionário completo da Inteligência Artificial
Classificador fraco
Modelo de classificação cuja performance é ligeiramente superior ao acaso, utilizado como bloco construtor em algoritmos de boosting.
Pesos de treinamento
Valores numéricos atribuídos a cada exemplo de treinamento para indicar sua importância relativa na iteração seguinte do algoritmo.
Taxa de erro ponderada
Medida de performance de um classificador fraco calculada como a soma dos pesos dos exemplos mal classificados dividida pela soma total dos pesos.
Coeficiente do classificador
Peso alfa calculado para cada classificador fraco no AdaBoost, determinando sua influência na votação final baseada em sua performance.
Decision Stump
Árvore de decisão simplificada com um único nó e duas folhas, frequentemente utilizada como classificador fraco no AdaBoost.
SAMME
Extensão multiclasse do AdaBoost (Stagewise Additive Modeling using a Multiclass Exponential loss) que adapta o algoritmo original a problemas com mais de duas classes.
Voto majoritário ponderado
Método de agregação onde cada classificador vota proporcionalmente ao seu coeficiente de confiança calculado pelo algoritmo AdaBoost.
Treinamento iterativo
Processo sequencial onde cada novo classificador é treinado sobre os dados reponderados em função das performances dos classificadores precedentes.
Hipótese de Aprendizagem Fraca
Princípio fundamental do boosting que afirma ser possível combinar classificadores ligeiramente melhores que o acaso para obter um classificador forte.
Taxa de Aprendizagem AdaBoost
Parâmetro de encolhimento (shrinkage) que controla a contribuição de cada classificador fraco para o modelo final, permitindo regularizar o algoritmo.
Ponderação de Instâncias
Mecanismo central do AdaBoost que modifica a distribuição de probabilidade sobre os exemplos de treinamento para focar nos casos difíceis.
Modelagem Aditiva por Estágios
Abordagem de construção de modelo onde os classificadores são adicionados sequencialmente sem retocar os parâmetros dos classificadores anteriores.
Robustez a Outliers
Sensibilidade do AdaBoost a valores atípicos devido à ponderação exponencial crescente dos exemplos constantemente mal classificados.
Convergência AdaBoost
Propriedade teórica que garante que o erro de treinamento do AdaBoost diminui exponencialmente com o número de iterações sob certas condições.
Fronteira de Decisão Aditiva
Superfície de separação final resultante da combinação linear ponderada das fronteiras de decisão dos classificadores fracos.