درجة Brier: قياس الاحتمال قبل عد الملصقات الصحيحة
درجة Brier تحسب متوسط مربع الفرق بين الاحتمال والنتيجة. في الصيغة الثنائية المعتادة نستخدم احتمال الفئة الإيجابية وحقيقتها صفرًا أو واحدًا، ويكون المجال من صفر إلى واحد. [1]
جميع المقالات (الصفحة 92)
قراءات عربية في العلوم والتقنية والطبيعة والثقافة، تبدأ بسؤال وتترك لك مساحة للاستكشاف.
2302 مقال
معايرة الاحتمالات: ماذا تقارن داخل كل مجموعة درجات؟
معايرة الاحتمالات تفحص علاقة مقدار الاحتمال بالنتائج. يصف توثيق مخطط الموثوقية متوسط احتمال الإيجابي داخل كل مجموعة، مقابل نسبة الحالات الإيجابية الفعلية فيها. [1]
Platt وIsotonic: كيف تختلف خريطة معايرة درجات المصنف؟
Platt وIsotonic طريقتان لمعايرة درجات المصنف. يعرض التوثيق سيغمويد بمعاملين متعلمين، مقابل تحويل غير معلمي غير متناقص. [1] نفحص خرائط تعليمية دون ادعاء أننا لائمنا معايرًا.
MAE وRMSE: أيهما يفضل أخطاء قليلة كبيرة؟
MAE وRMSE يلخصان أخطاء تنبؤ القيم العددية. الأول متوسط مقادير الفروق، والثاني جذر متوسط مربعاتها، بوحدة الهدف نفسها. [1] لكنهما قد يرتبان التنبؤات بصورة مختلفة.
درجة R² السالبة: أي متوسط تقارن به التنبؤ؟
درجة R² السالبة ممكنة في تقييم الانحدار؛ يوضح المرجع أن التنبؤ الثابت بمتوسط الحقيقة يعطي صفرًا عند عدم ثباتها، وقد يكون نموذج آخر أسوأ منه. [1]
MAPE: لماذا تضخم قيمة فعلية صغيرة خطأً ثابت الحجم؟
MAPE يقيس خطأ التنبؤ بصورة نسبية. ينبه التوثيق إلى تضخم الدرجة قرب حقيقة صفرية، وإلى أن مخرجه نسبي: قيمة 2 تقابل 200% وليست 2%. [1]
وسيط الخطأ المطلق: كيف يظل ثابتًا رغم تضخم خطأ حالة؟
وسيط الخطأ المطلق مقياس لتقييم الانحدار يختلف عن متوسطه. توثق الواجهة حسابه من الحقيقة والتنبؤ. [1] نستخدم ست حالات تعليمية لنرى ما يحفظه الرقم الوسطي وما قد يخفيه.
Explained Variance: لماذا لا تعني درجة واحد تنبؤًا مطابقًا؟
Explained Variance في تقييم الانحدار لا يحاسب الإزاحة المنتظمة في التنبؤ كما تحاسبها R²، بحسب التوثيق. [1] لذلك نقرأ الدرجة مع فروق الحالات، لا بوصفها شهادة تطابق.
معامل Silhouette: هل أقرب نقطة تعني أقرب مجموعة؟
معامل Silhouette يقارن متوسط مسافة النقطة إلى مجموعتها بمتوسط مسافتها إلى أقرب مجموعة أخرى. صيغته هي الفرق بين المتوسط الخارجي والداخلي مقسومًا على الأكبر منهما. [1]
مؤشر راند المعدل: هل تبديل أسماء المجموعات يغير الاتفاق؟
مؤشر راند المعدل، أو Adjusted Rand، يقارن تقسيمين عبر علاقات أزواج الحالات ويصحح اتفاق الصدفة. لا يغير تبديل أسماء المجموعات النتيجة إذا بقيت عضوية الحالات نفسها. [1]
مؤشر Davies–Bouldin: لماذا نأخذ أكبر نسبة لكل مجموعة؟
مؤشر Davies–Bouldin يلخص تشابه كل مجموعة مع أكثر المجموعات تشابهًا معها، وفق نسبة التشتت الداخلي إلى الفصل بينها. القيمة الأصغر أفضل وفق هذا المعيار. [1]
منحنى التعلم: ما الذي تغير عندما كبر حجم التدريب؟
منحنى التعلم هنا يقارن درجات التدريب والتحقق عبر أحجام مختلفة من أمثلة التدريب. توثق learning_curve حساب تلك الدرجات بطيات تحقق، وليس تغيير عدد خطوات التدريب فقط. [1]
Bootstrap لمقياس التقييم: ماذا تعيد معاينته؟
Bootstrap لمقياس التقييم يعيد سحب الحالات مع الإرجاع ويحسِب المقياس لكل سحب. في شرحنا تبقى تنبؤات النموذج ثابتة؛ نراجع اختلاف المقياس عبر عينات من سجل التقييم، ولا ندرب نماذج جديدة. [1]
مقارنة نموذجين على الحالات نفسها: ما الذي يخفيه مجموع الصحيح؟
مقارنة نموذجين على الحالات نفسها تحتاج إلى ربط حكميهما بكل معرف؛ العدد الإجمالي للصحيح لا يكشف مقدار الاتفاق أو اتجاه الاختلاف. ننشئ جدولًا مزدوجًا للمخرجات الصحيحة والخاطئة، دون اختبار نموذجين فعليين.
دالة ReLU: كيف تغير تركيب تحويلين أفينيين؟
دالة ReLU تأخذ الأكبر بين الصفر ومدخلها، وتطبق هذه القاعدة على كل عنصر. إدخالها بين تحويلين أفينيين يغير نوع التركيب الذي نحسبه. [1]
Sigmoid وTanh: هل المشتقة المحلية هي تدرج الشبكة؟
مشتقة Sigmoid وTanh تصف حساسية خرج التنشيط لمدخله في الموضع الحالي. قيمة صغيرة في هذا الموضع لا تعرض وحدها كل عوامل مشتقة المسار الذي يحتويه.
Leaky ReLU وGELU: هل تمرران السالب بالطريقة نفسها؟
Leaky ReLU وGELU قد تعطيان خرجًا سالبًا لمدخل سالب، لكنهما تستعملان قاعدتين مختلفتين. تمرر الأولى الجانب السالب بميل تختاره، بينما تضرب الثانية المدخل في قيمة دالة تراكمية. [1][2]
Softmax: على أي محور يجب أن يصبح المجموع واحدًا؟
محور Softmax يحدد القيم التي تتشارك مقام الحساب. الدالة تقسم أس كل درجة على مجموع الأسس داخل نطاق تختاره؛ لذلك لا تكفي عبارة «مجموعها واحد» دون تسمية هذا النطاق. [1]