AI-ordlista
Den kompletta ordlistan över AI
Validation croisée out-of-fold
Technique spécifique au stacking où les prédictions out-of-fold sont générées pour éviter le data leakage lors de l'entraînement du méta-modèle.
Level-0 learners
Premier niveau de modèles dans l'architecture de stacking, constitué d'algorithmes diversifiés entraînés sur les données originales.
Level-1 learner
Méta-apprenant au niveau 1 du stacking qui prend en entrée les prédictions des level-0 learners pour produire la prédiction finale.
Stacking pondéré
Approche où le méta-modèle apprend des poids optimaux pour combiner linéairement les prédictions des modèles de base.
Prédictions de base
Sorties des modèles de niveau 0 servant de features pour le méta-modèle dans l'architecture de stacking.
Stacking hiérarchique
Extension multi-niveaux du stacking où plusieurs couches de méta-modèles sont empilées pour une optimisation progressive des prédictions.
Stacking dynamique
Variante adaptative où le méta-modèle sélectionne dynamiquement les meilleurs modèles de base selon les caractéristiques de chaque observation.
Stacking avec features originales
Approche étendant les méta-features avec les variables originales pour enrichir l'information disponible au méta-modèle.
Out-of-bag stacking
Technique utilisant les prédictions out-of-bag des modèles basés sur bootstrap (comme Random Forest) pour entraîner le méta-modèle sans validation croisée explicite.
Stacking multi-cible
Application du stacking aux problèmes multi-output où des méta-modèles spécialisés sont entraînés pour chaque cible de prédiction.
Stacking temporel
Adaptation du stacking pour les séries temporelles respectant la contrainte de temporalité dans la génération des prédictions out-of-fold.