قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
Apprentissage faible
Classifieur dont la performance est légèrement supérieure au hasard (généralement > 50% de précision), utilisé comme élément de base dans les algorithmes de boosting.
Pondération adaptative
Mécanisme qui ajuste les poids des observations d'entraînement à chaque itération pour donner plus d'importance aux exemples difficiles à classifier.
Taux d'apprentissage
Paramètre qui contrôle la contribution de chaque classifieur faible au modèle final, permettant de réguler la vitesse de convergence et d'éviter le surapprentissage.
Erreur de classification pondérée
Mesure de performance qui prend en compte les poids des observations pour évaluer la performance d'un classifieur faible dans AdaBoost.
Stumps de décision
Arbres de décision à un seul nœud et deux feuilles, souvent utilisés comme classifieurs faibles dans AdaBoost pour leur simplicité et efficacité.
Marge de classification
Mesure de confiance d'une prédiction représentant la différence entre le score de la classe correcte et le score maximal des autres classes.
Fonction de perte exponentielle
Fonction de coût utilisée dans AdaBoost qui pénalise exponentiellement les erreurs de classification, encourageant une correction agressive des exemples mal classés.
Algorithme SAMME
Stage-wise Additive Modeling using a Multi-class Exponential loss function, extension d'AdaBoost pour les problèmes de classification multi-classe.
ملاحظات صعبة
أمثلة تدريبية يتم تصنيفها بشكل متكرر على أنها غير صحيحة من قبل النماذج السابقة، وبالتالي تحظى بأوزان أكبر في التكرارات اللاحقة.
التعاقب
خاصية جوهرية في خوارزميات التقوية حيث يعتمد كل مصنف على ما سبقه، على عكس الطرق المتوازية مثل التجميع (Bagging).
معامل الوزن (ألفا)
قيمة يتم حسابها لكل مصنف ضعيف بناءً على خطأ التصنيف الخاص به، وتحدد وزنه في التصويت النهائي للنموذج.
حدود القرار المعقدة
نتيجة تجميع مصنفات بسيطة تسمح بنمذجة علاقات غير خطية معقدة داخل البيانات.
ترحيل الأوزان
عملية تقوم بتعديل أوزان الملاحظات بعد كل تكرار لجعل مجموعها يساوي 1، مما يضمن توزيعًا احتماليًا صحيحًا.
المقاومة أمام الضوضاء
قدرة خوارزمية AdaBoost على التعامل مع البيانات المليئة بالضوضاء، رغم أنها قد تكون حساسة للتقلبات (Outliers) بسبب إعطائها أوزانًا كبيرة.
التقارب السريع
ميزة تتميز بها خوارزمية AdaBoost تمكنها من تحقيق أداء جيد نسبيًا بعد عدد قليل من التكرارات بفضل تحسين الخسارة الأسية مباشرة.