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]
تقنية (الصفحة 29)
أفكار وأدوات رقمية بلغة مفهومة.
1201 مقال
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]
طريقة الكوع في K-means: كيف تقرأ الانخفاض دون جواب سحري؟
تعرف واجهة KMeans القصور بأنه مجموع مربعات المسافات إلى أقرب المراكز، مع مراعاة أوزان العينات إن وجدت. سنحسب هنا حالة غير مرجحة. [1]
HDBSCAN: لماذا تختلف رابطة نقطتين لهما المسافة نفسها؟
تبني HDBSCAN تسلسلًا للكثافة باستخدام مسافة الوصول المتبادل، ثم تكثف شجرة المجموعات وتستخرج مجموعات مستقرة وفق إعداداتها. [1]
OPTICS: كيف تقرأ ترتيب النقاط ومخطط الوصول؟
تحفظ OPTICS ترتيبًا يكشف بنية الكثافة، وتتيح استخراج مجموعات بطرق مختلفة. قيم الوصول في الواجهة الموثقة مفهرسة بترتيب السجلات الأصلي. [1]
التجميع الطيفي: ماذا تضيف روابط التشابه إلى تقسيم النقاط؟
يستخدم التجميع الطيفي إسقاطًا من لابلاسيان الرسم المعياري قبل التجميع. وفي affinity=precomputed، القيم الأكبر تعني تشابهًا أكبر. [1]
Mean Shift: كيف يغير عرض النطاق موضع المرشح؟
في MeanShift الموثقة، تحرك النافذة المسطحة المرشح إلى متوسط النقاط داخل نطاقه، ثم تعالج المراكز المتقاربة لاستخراج المراكز النهائية. [1]
Affinity Propagation: كيف تختلف رسالة الترشيح عن القرار النهائي؟
تختار AffinityPropagation نقاطًا تمثل المجموعات عبر رسائل متبادلة. يؤثر preference في اختيار الممثلين، ويمزج damping الرسالة القديمة بالتحديث الجديد. [1]
الخليط الغاوسي: لماذا لا تكفي المسافة لتحديد الانتماء؟
يمثل الخليط الغاوسي البيانات بمكونات لها مراكز وتغايرات وأوزان. يحسب التنفيذ احتمالات انتماء العينة بتطبيع كثافات المكونات الموزونة. [1] [2]
خوارزمية EM: ماذا يتغير بين المسؤوليات وتحديث المعلمات؟
تتناوب EM في الخليط الغاوسي بين تقدير انتماءات العينات وفق المعلمات الحالية، وتحديث المعلمات اعتمادًا على تلك الانتماءات. [1]
تغاير الخليط الغاوسي: أربع بنى لا يقيسها عدد المعلمات وحده
تتيح GaussianMixture أربع بنى للتغاير: كروية، وقطرية، وكاملة لكل مكون، أو مصفوفة عامة مشتركة بين المكونات. [1]