قراءات عربية في العلوم والتقنية والطبيعة والثقافة، تبدأ بسؤال وتترك لك مساحة للاستكشاف.
2302 مقال
عند تجميع نماذج مختلفة، لا يكفي أن تعرف عدد الإجابات الصحيحة لكل نموذج. نحتاج أيضًا مواضع أخطائها وقاعدة الجمع. سنثبت الفرق بمثال مصطنع فيه ثلاث نماذج متساوية الدقة الفردية، دون ادعاء أن تنوع أسماء الخوارزميات يضمن التحسن.
نماذج التجميع مع فئات نادرة قد تغير عينة كل عضو لتوازن حضور الفئات. يصف توثيق BalancedRandomForestClassifier سحب أمثلة من الفئة الأقل عددًا مع الإرجاع، وسحب العدد نفسه من الفئة الأكثر عددًا مع الإرجاع. [1]
الغابة الموزعة تستخدم بنية حوسبة موزعة لتدريب نموذج أشجار. في H2O يتكون العنقود من عقدة أو أكثر، وتعيش أجزاء إطار البيانات في ذاكرة العنقود. [1]
الغابات الكمية، أو غابات انحدار الكميات، تحتفظ بقيم الاستجابات داخل الأوراق لتقدير توزيع شرطي، ثم تستخرج منه كميات بدل الاكتفاء بمتوسط. [1]
الانحدار اللوجستي نموذج تصنيف رغم كلمة «انحدار» في اسمه. يصفه توثيق LogisticRegression بأنه مصنف، وندرس هنا الحالة الثنائية فقط. [1]
انحدار Ridge يقلل مجموع مربعات المتبقيات مع عقوبة L2 على المعاملات. تضيف العقوبة كلفة إلى الهدف عندما تكبر مربعات المعاملات. [1]
انحدار Lasso يضيف إلى خطأ الملاءمة عقوبة L1، أي مجموع القيم المطلقة للمعاملات مضروبًا في alpha. [1]
Elastic Net انحدار خطي يجمع تنظيم L1 وL2. يتيح تغيير قوة العقوبة ونسبة المزج بمعلمتين مختلفتين في scikit-learn. [1]
SGD طريقة تحسين لتدريب نموذج، وليست عائلة نماذج مستقلة. يدعم SGDClassifier خسائر وعقوبات مختلفة لمصنفات خطية. [1]
المصنف Perceptron، أو بيرسيبترون، يستخدم درجة خطية لتمييز الفئات. سنشرح القاعدة الكلاسيكية لفئتين موسومتين بـ+1 و−1. [1]
خوارزمية Passive-Aggressive تتعلم مع وصول الأمثلة، وتبني تحديثها على خسارة الهامش. قد تتغير الأوزان حتى عندما تكون الفئة المتوقعة صحيحة. [1]
التحليل التمييزي الخطي LDA مصنف يفترض كثافة غاوسية لكل فئة، مع مصفوفة تغاير مشتركة بينها. له أيضًا استخدام لإسقاط الأبعاد. [1]
التحليل التمييزي التربيعي QDA يصنف باستخدام كثافة غاوسية لكل فئة؛ يمكن أن تختلف مصفوفات التغاير بين الفئات. [1] [2]
بايز الساذج الغاوسي يستخدم متوسطًا وتباينًا لكل خاصية داخل كل فئة. تتيح هذه المعلمات حساب كثافات غاوسية عند المدخل. [1] [2]
بايز متعدد الحدود يستعمل خصائص تعد الكلمات أو أحداثًا منفصلة. يصف توثيق MultinomialNB العدادات الصحيحة بأنها المدخل المعتاد، ويذكر استعمال قيم كسرية مثل TF-IDF أيضًا. [1]
بايز برنولي يستعمل خصائص ثنائية تعبر عن وجود الحدث أو غيابه. يختلف بذلك عن نموذج يستعمل عدد مرات الظهور. [1]
تنعيم لابلاس يضيف واحدًا إلى عداد كل كلمة في تقدير شرطيتها داخل الفئة، ويعدل المقام بمقدار حجم المفردات. [1]
بايز التكميلي يبني أوزان الفئة من عدادات الأمثلة التي تنتمي إلى الفئات الأخرى، بدل الاكتفاء بعدادات الفئة نفسها. [1]
