استخراج القواعد من شجرة القرار: اقرأ المسار قبل التعميم
استخراج القواعد من شجرة القرار يعني قراءة شروط المسار الذي أوصل الحالة إلى ورقة. تتيح أدوات مثل decision_path تحديد العقد التي اجتازتها الحالة، وapply تحديد الورقة. [1]
تقنية (الصفحة 26)
أفكار وأدوات رقمية بلغة مفهومة.
1201 مقال
الشجرة متعددة المخرجات: تنبؤات تتشارك التقسيمات
الشجرة متعددة المخرجات تنتج أكثر من قيمة للحالة نفسها. يعرض مثال scikit-learn شجرة انحدار تتنبأ بمخرجين من مدخل واحد. [1]
أوزان الفئات في شجرة القرار: تعديل أهمية الخطأ
أوزان الفئات في شجرة القرار تعطي أمثلة كل فئة وزنًا محددًا في التعلم. توثق YDF مثلًا قاموسًا يربط اسم الفئة بوزنها، مع وزن واحد افتراضيًا. [1]
استقرار شجرة القرار: لماذا تتغير الفروع مع عينة إضافية؟
استقرار شجرة القرار يعني هنا مدى تغيرها عند تغير بيانات التدريب قليلًا. تناقش دراسة Bagging Predictors حساسية أشجار التصنيف والانحدار لهذه التغيرات. [1]
شجرة القرار خارج نطاق التدريب: لماذا لا تستقرئ جيدًا؟
شجرة القرار خارج نطاق التدريب تحتاج فحصًا لطريقة الورقة. في شجرة الانحدار بمعيار squared_error تحمل الورقة متوسط أهداف أمثلة وصلت إليها. [1]
حدود القرار المستطيلة: الشكل الهندسي لشجرة القرار
يمكن فهم حدود القرار المستطيلة برسم خصائص المثال على محورين، ثم تحويل شروط الشجرة إلى خطوط. هذا الوصف يخص الاختبارات العددية المحاذية للمحاور، ولا يشمل كل نوع من أشجار القرار.
التجميع بالمعاينة Bagging: لماذا نكرر التدريب على عينات مختلفة؟
التجميع بالمعاينة يدرب نسخًا من نموذج على عينات مختلفة من البيانات الأصلية، ثم يجمع تنبؤاتها. في Bagging يكون السحب مع الإرجاع، فتستطيع الحالة نفسها الظهور أكثر من مرة داخل عينة. [1]
العينات خارج الحقيبة: تقييم الغابة من بيانات لم ترها الشجرة
العينات خارج الحقيبة، أو OOB، هي الحالات التي لم تدخل عينة التدريب الخاصة بشجرة معينة. الحالة قد تكون غائبة عن شجرة وحاضرة في أخرى؛ الغياب وصف مرتبط بكل عينة على حدة. [1]
عدد الأشجار في الغابة: لماذا تتباطأ فائدة الزيادة؟
عدد الأشجار في الغابة إعداد يحدد حجم المجموعة التي تنتج التنبؤ. زيادته توسع المجموعة، لكن السؤال العملي هو مقدار الفائدة المتبقية مقارنة بالوقت والذاكرة في المهمة التي تعمل عليها. [1]
عدد الخصائص عند كل انقسام: مفتاح التنوع في الغابة
عدد الخصائص عند كل انقسام يحدد مجموعة المرشحين التي ينظر إليها بناء الشجرة عند البحث عن سؤال. يختلف ذلك عن حذف أعمدة من البيانات، أو فرض قائمة واحدة ثابتة على كل أشجار الغابة. [1]
Extra Trees: ماذا يحدث عندما تصبح العتبات عشوائية؟
في Extra Trees والعتبات العشوائية لا يقتصر الاختلاف على اختيار خصائص مرشحة. يدخل الاختيار العشوائي في عتبة الاختبار أيضًا، ثم تقارن الخوارزمية الانقسامات المرشحة وفق معيارها. [1]
تجميع الاحتمالات وتصويت الفئات: لماذا قد تختلف النتيجة؟
تجميع الاحتمالات وتصويت الفئات طريقتان مختلفتان لتحويل مخرجات نماذج عدة إلى فئة واحدة. الأولى تحتفظ بقيم الاحتمال لكل فئة، والثانية تبدأ من اسم الفئة التي اختارها كل نموذج. [1]
التصويت المرجح للنماذج: من يستحق وزنًا أكبر؟
التصويت المرجح للنماذج يعطي مخرجات بعض النماذج تأثيرًا أكبر عند الجمع. الوزن هنا يخص مساهمة نموذج في المجموعة، ويختلف عن وزن حالة تدريب أو وزن فئة داخل مصنف واحد. [1]
التكديس Stacking: نموذج يتعلم من تنبؤات نماذج أخرى
التكديس Stacking يدرب نموذجًا أخيرًا على مخرجات نماذج أساسية. بدل الاكتفاء بمتوسط ثابت، يتعلم المجمع علاقة بين هذه المخرجات والنتيجة المطلوبة. [1]
المزج Blending: تجميع النماذج بمساحة منفصلة
المزج Blending في البناء الموضح هنا يستعمل مجموعة حالات منفصلة لإنتاج مخرجات النماذج الأساسية التي يتعلم منها المجمع. توثق H2O هذا الدور عبر blending_frame. [1]
AdaBoost: لماذا تزداد أوزان الأمثلة الصعبة؟
AdaBoost وأوزان الأمثلة يرتبطان بفكرة تدريب مصنفات متتابعة، مع تعديل وزن الحالات التي أخطأت مرحلة في تصنيفها كي تحصل على تركيز أكبر لاحقًا. [1]
التعزيز والغابات العشوائية: تدريب متتابع أم مستقل؟
التعزيز والغابات العشوائية قد يستعملان أشجارًا عدة، لكن طريقة إعدادها مختلفة. السؤال المفيد هنا: هل يحتاج تعلم المرحلة الجديدة إلى نتيجة ما سبقها، أم يستطيع بناء الشجرة من مادتها المحددة دون تصحيح خطأ شجرة سابقة؟
معدل التعلم في التعزيز: العلاقة بين حجم الخطوة وعدد الأشجار
معدل التعلم في التعزيز يضرب مساهمة الشجرة الجديدة بمعامل قبل إضافتها إلى النموذج. توثق GradientBoostingRegressor علاقة ضبط بين هذا المعدل وعدد مراحل التعزيز. [1]