Jannah Theme License is not validated, Go to the theme options page to validate the license, You need a single license for each domain name.
تقنية وتكنولوجيا

النماذج الوهمية لبرنامج Scikit-Learn. احتفظ دائمًا بدمية بجانبك. | بواسطة يوان موكين


إذا كنت تحب أو ترغب في تعلم التعلم الآلي باستخدام scikit-learn، فاطلع على سلسلتي التعليمية على هذه الحزمة الرائعة:

برنامج سكليرن التعليمي

جميع الصور من قبل المؤلف.

النماذج الوهمية هي نماذج مبسطة للغاية يُقصد استخدامها كخط أساس لمقارنة نماذجك الفعلية. خط الأساس هو مجرد نقطة مرجعية لمقارنة نفسك بها. عندما تقوم بحساب نتائج التحقق المتبادل الأولى لتقدير أداء النموذج الخاص بك، فأنت تعلم عادةً أنه كلما ارتفعت النتيجة كلما كان ذلك أفضل، وإذا كانت النتيجة عالية جدًا في المحاولة الأولى، فهذا رائع. ولكن هذا ليس هو الحال عادة.

ماذا تفعل إذا كانت درجة الدقة الأولى منخفضة جدًا — أو أقل مما تريده أو تتوقعه؟ هل هو بسبب البيانات؟ هل هو بسبب النموذج الخاص بك؟ كلاهما؟ كيف يمكننا أن نعرف بسرعة ما إذا كان نموذجنا لم يتم ضبطه بشكل سيء؟

النماذج الوهمية موجودة هنا للإجابة على هذه الأسئلة. إن تعقيدها و”ذكائها” منخفض للغاية: الفكرة هي أنه يمكنك مقارنة نماذجك بها لمعرفة مدى تفوقك على النماذج “الأغبى”. لاحظ أنهم لا يتنبأون بقيم غبية عمدًا، بل يأخذون فقط التخمين الذكي الأسهل والمبسط للغاية. إذا كان النموذج الخاص بك يقدم أداءً أسوأ من النموذج الوهمي، فيجب عليك ضبط النموذج الخاص بك أو تغييره بالكامل.

أحد الأمثلة البسيطة على التراجع الوهمي هو التنبؤ دائمًا بالقيمة المتوسطة لهدف التدريب، مهما كانت المدخلات: إنها ليست مثالية، ولكنها في المتوسط ​​تعطي تخمينًا مبسطًا معقولًا. إذا كان نموذجك الفعلي يعطي نتائج أسوأ من هذا النهج البسيط جدًا، فقد ترغب في مراجعة نموذجك.

رابط المصدر

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

زر الذهاب إلى الأعلى