Глоссарий ИИ
Полный словарь искусственного интеллекта
Classifieur faible
Modèle de classification dont la performance est légèrement supérieure au hasard, utilisé comme brique de base dans les algorithmes de boosting.
Poids d'entraînement
Valeurs numériques assignées à chaque exemple d'entraînement pour indiquer leur importance relative dans l'itération suivante de l'algorithme.
Taux d'erreur pondéré
Mesure de performance d'un classifieur faible calculée comme la somme des poids des exemples mal classifiés divisée par la somme totale des poids.
Coefficient du classifieur
Poids alpha calculé pour chaque classifieur faible dans AdaBoost, déterminant son influence dans le vote final basé sur sa performance.
Decision Stump
Arbre de décision simplifié avec un seul nœud et deux feuilles, souvent utilisé comme classifieur faible dans AdaBoost.
SAMME
Extension multiclasse d'AdaBoost (Stagewise Additive Modeling using a Multiclass Exponential loss) adaptant l'algorithme original aux problèmes avec plus de deux classes.
Vote majoritaire pondéré
Méthode d'agrégation où chaque classifieur vote proportionnellement à son coefficient de confiance calculé par l'algorithme AdaBoost.
Entraînement itératif
Processus séquentiel où chaque nouveau classifieur est entraîné sur les données repondérées en fonction des performances des classifieurs précédents.
Гипотеза слабого обучения
Основной принцип бустинга, согласно которому возможно объединить классификаторы, незначительно превосходящие случайное угадывание, для получения сильного классификатора.
Скорость обучения AdaBoost
Параметр сжатия, контролирующий вклад каждого слабого классификатора в итоговую модель, позволяющий регуляризировать алгоритм.
Взвешивание экземпляров
Центральный механизм AdaBoost, изменяющий распределение вероятностей на обучающих примерах для фокусировки на сложных случаях.
Постепенное аддитивное моделирование
Подход к построению модели, при котором классификаторы добавляются последовательно без изменения параметров предыдущих классификаторов.
Устойчивость к выбросам
Чувствительность AdaBoost к выбросам из-за экспоненциально возрастающего взвешивания постоянно неправильно классифицируемых примеров.
Сходимость AdaBoost
Теоретическое свойство, гарантирующее, что ошибка обучения AdaBoost экспоненциально уменьшается с числом итераций при определенных условиях.
Аддитивная граница решения
Итоговая разделяющая поверхность, полученная в результате линейной взвешенной комбинации границ решений слабых классификаторов.