Глоссарий ИИ
Полный словарь искусственного интеллекта
K-ближайшие оракулы
Метод DES, оценивающий компетентность классификаторов на k ближайших соседях тестового экземпляра для определения того, какие из них использовать для окончательного прогнозирования.
Область компетенции
Зона пространства признаков, определяемая ближайшими соседями тестового экземпляра, используемая для оценки локальной компетентности классификаторов.
DES-KNN
Техника динамического выбора, использующая алгоритм k ближайших соседей для определения области компетенции и оценки локальной производительности классификаторов.
Карта компетенции
Пространственное представление областей компетенции каждого классификатора в ансамбле, позволяющее визуально идентифицировать регионы, где каждая модель превосходит другие.
Оценка локальной точности
Процесс оценки производительности классификатора на основе его точности на похожих экземплярах в локальной области компетенции.
Обрезка ансамбля
Техника уменьшения размера ансамбля путем устранения избыточных или малопроизводительных классификаторов до или во время динамического выбора.
DES-кластеризация
Подход динамического выбора, использующий алгоритмы кластеризации для идентификации групп похожих экземпляров и оценки компетентности классификаторов на каждом кластере.
Мета-обучение для DES
Использование мета-обучения для прогнозирования компетентности классификаторов на основе метапризнаков, извлеченных из экземпляров и прошлой производительности.
Разнообразие компетенций
Мера вариации в областях компетенции между различными классификаторами набора, существенная для эффективной динамической выбора.
Динамическая интеграция ансамбля
Процесс объединения прогнозов динамически выбранных классификаторов, часто использующий веса, основанные на их оцененной локальной компетенции.
Онлайн-динамический выбор
Вариант DES, адаптированный к потокам данных, где выбор и оценка компетенции происходят в реальном времени с изменяющимися данными.
Ландшафт производительности
Многомерное представление производительности классификаторов через различные области пространства признаков, направляющее динамический выбор.
Гибридный DES
Подход, объединяющий несколько техник динамического выбора, такие как кластеризация и k-NN, для улучшения робастности и точности выбора.
Уровень компетенции
Количественный показатель, оценивающий степень экспертизы классификатора для конкретного экземпляра, используемый как основной критерий в методах DES.
DES на основе порогов
Метод выбора, использующий предопределенные пороги компетенции для решения, какие классификаторы включить в подмножество прогнозирования.
Динамический выбор классификатора
Вариант DES, где только лучший классификатор (а не подмножество) выбирается для каждого экземпляра на основе его максимальной локальной компетенции.