C في آلة المتجهات الداعمة: عقوبة انتهاك الهامش
في آلة المتجهات الداعمة ذات الهامش المرن، يضرب C مجموع عقوبات انتهاك الهامش. وتشمل العقوبة أمثلة صحيحة الفئة لكنها داخل الهامش. [1]
جميع المقالات (الصفحة 88)
قراءات عربية في العلوم والتقنية والطبيعة والثقافة، تبدأ بسؤال وتترك لك مساحة للاستكشاف.
2302 مقال
نواة RBF: كيف تغير gamma معنى التشابه؟
نواة RBF تحسب exp(−gamma×مربع المسافة بين مدخلين). في هذه الصيغة يحدد gamma سرعة تناقص التشابه مع الابتعاد. [1]
LinearSVC وSVC: نواة خطية لا تعني النموذج نفسه
LinearSVC وSVC بنواة خطية يبنيان مصنفين خطيين، لكنهما ليسا نسختين متطابقتين. يختلف التنفيذ والخسارة الافتراضية والتعامل مع تنظيم الإزاحة. [1]
انحدار المتجهات الداعمة: ماذا تتجاهل منطقة epsilon؟
انحدار المتجهات الداعمة SVR يتنبأ بقيمة عددية. في epsilon-SVR لا تعاقب خسارة التدريب فروقًا لا تتجاوز epsilon عن القيمة الفعلية. [1]
تقريب النواة بميزات عشوائية: ما الذي نقربه؟
تعطي ميزات فورييه العشوائية تمثيلًا صريحًا يُقرب حاصل ضربه الداخلي نواة مناسبة، بدل حساب النواة الأصلية لكل زوج مباشرة. [1]
انحدار النواة Ridge: لماذا يهم ترتيب أمثلة التدريب؟
يجمع Kernel Ridge بين تنظيم L2 وحيلة النواة؛ يستخدم خطأً تربيعيًا، فيتعلم دالة في الفضاء الذي تحدده النواة. [1]
انحدار العمليات الغاوسية: تباين الدالة أم تباين القياس؟
يصف انحدار العمليات الغاوسية توزيعًا على الدوال بدالة متوسط ونواة تغاير، ثم يحدّثه بالملاحظات. لذلك يمكن أن يصاحب المتوسط تباين يعتمد على افتراضات النموذج. [1]
مصنف المركز الأقرب: متوسط الفئة ليس أقرب عينة
يمثل مصنف المركز الأقرب كل فئة بمركز. مع المسافة الإقليدية يكون المركز متوسط عينات الفئة؛ وهذا الملخص قد يقع حيث لا توجد عينة منها. [1]
ترجيح المسافة في أقرب الجيران: ليس كل جار متساويًا
يتيح KNeighborsClassifier إعطاء الجيران أوزانًا متساوية أو أوزانًا بمقلوب المسافة، فتزداد مساهمة الجار الأقرب في الخيار الثاني. [1]
التعلم بنصف قطر الجوار: ماذا لو كان عدد الجيران متغيرًا؟
يعتمد RadiusNeighborsClassifier على الجيران داخل نصف قطر محدد؛ يمكن أن يختلف عددهم بين الحالات، ويشمل البحث النقاط الواقعة على الحد. [1]
التصنيف واحد ضد الباقي وواحد ضد واحد: تحويل مسألة متعددة الفئات
يدرب OneVsRestClassifier مصنفًا لكل فئة مقابل بقية الفئات، بينما ينشئ OneVsOneClassifier مصنفًا لكل زوج فئات. [1] [2]
التجميع الهرمي: كيف تقرأ شجرة اندماج المجموعات؟
يعرض مخطط الشجرة الهرمية اندماج المجموعات؛ يمثل ارتفاع اتصال الفرعين المسافة التي سجلها الاندماج وفق طريقة الربط المستعملة. [1]
الربط الأحادي في التجميع: أثر سلسلة النقاط المتصلة
الربط الأحادي يقيس قرب مجموعتين بأصغر مسافة بين نقطة من الأولى ونقطة من الثانية؛ لذلك قد يصل بين أجزاء عبر سلسلة. [1]
الربط الكامل والمتوسط: شكل المجموعة عند الدمج
الربط الكامل يستعمل أكبر مسافة متقاطعة بين مجموعتين، بينما الربط المتوسط يستعمل متوسط مسافات جميع أزواجهما المتقاطعة. [1] [2]
طريقة Ward: دمج يقلل زيادة التشتت
تدخل أحجام المجموعات والمسافة بين متوسطاتها في مسافة Ward الإقليدية؛ لذلك لا يكفي ترتيب مسافات المراكز وحده لترتيب الدمج. [1]
K-medoids: مركز مجموعة يكون مثالًا حقيقيًا
يختار KMedoids مراكز من أمثلة البيانات الأصلية، ويعرض الكلفة بمجموع المسافات إلى أقرب مركز مختار. المركز لا يلزم أن يكون متوسطًا حسابيًا. [1]
تهيئة K-means++: كيف تتوزع فرص اختيار المراكز؟
في K-means++ الأصلية، يختار المركز الأول عشوائيًا بالتساوي، ثم تتناسب فرصة النقطة مع مربع بعدها عن أقرب مركز مختار. [1]
MiniBatch K-means: كيف يحتفظ المركز بأثر الدفعات السابقة؟
تستخدم MiniBatchKMeans دفعات صغيرة في التحديث. في التحديث الموثق يتحد إسهام النقاط المسندة حاليًا إلى المركز مع وزن تاريخه السابق. [1] [2]