Глоссарий ИИ
Полный словарь искусственного интеллекта
Динамический выбор ансамбля (DES)
Метод агрегирования, при котором подмножество моделей для прогнозирования выбирается динамически для каждого нового экземпляра, в зависимости от его специфических характеристик и компетентности моделей в локальной области входного пространства.
Статический выбор ансамбля (SES)
Подход, при котором фиксированное подмножество классификаторов выбирается один раз на валидационном наборе, а затем используется одинаково для всех будущих экземпляров, в отличие от динамического выбора, который адаптируется для каждого экземпляра.
Локальная область компетентности
Окрестность вокруг тестового экземпляра, определяемая метрикой расстояния, в которой оценивается компетентность базовых моделей для принятия решения о том, какие модели использовать для прогнозирования этого экземпляра.
K-ближайший оракул (KNORA)
Семейство алгоритмов DES, которые выбирают модели на основе их производительности на k ближайших соседях тестового экземпляра, с вариантами KNORA-E (исключение) и KNORA-U (объединение).
Поведение множественных классификаторов (MCB)
Техника, которая анализирует поведение классификаторов на размеченных экземплярах для идентификации областей, где определенные модели более надежны, направляя таким образом динамический выбор.
Динамический выбор против динамического взвешивания
Различие, при котором динамический выбор выбирает подмножество моделей, тогда как динамическое взвешивание назначает веса всем моделям для финального прогнозирования, оба адаптируются для каждого экземпляра.
Однородные против неоднородных DES
Разграничение, при котором однородные DES используют базовые модели одного типа (например, все деревья решений), тогда как неоднородные комбинируют различные типы алгоритмов для увеличения разнообразия.
Оценка области компетентности
Процесс определения релевантной окрестности для тестового экземпляра, критически важный для оценки локальной компетентности моделей, часто основанный на метриках, таких как евклидово расстояние или косинусное сходство.
DES с предварительной обработкой
Подход, в котором методы предварительной обработки, такие как снижение размерности или передискретизация, применяются для улучшения определения областей компетенции перед динамическим выбором моделей.
Онлайн DES
Вариант динамического выбора ансамблей, разработанный для потоков данных, где компетенция моделей и выбор постоянно обновляются по мере поступления новых экземпляров.
Алгоритм DespeRt
Алгоритм DES, который оценивает компетенцию классификаторов на основе распределения уровней доверия предсказаний по k ближайшим соседям, отдавая предпочтение одновременно компетентным и разнообразным моделям.
Априорный vs. Апостериорный DES
Различие, где априорные методы выбирают модели до просмотра их предсказаний для тестового экземпляра, в то время как апостериорные методы выбирают после наблюдения этих предсказаний.
Динамический выбор ансамблей для несбалансированных данных
Адаптация методов DES для работы с несбалансированными наборами данных, где выбор моделей может быть смещен для улучшения обнаружения миноритарного класса.
Динамический выбор на основе компетенции
Центральная парадигма в DES, где решение о выборе модели основывается исключительно на оценке ее локальной компетенции для рассматриваемого экземпляра, а не на ее общей производительности.