قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
الانحدار الخطي
نموذج إحصائي يحدد علاقة خطية بين متغير تابع ومتغير مستقل واحد أو أكثر عن طريق تقليل مجموع مربعات البواقي. يعتبر هذا النموذج صندوقًا أبيض لأنه يمكن تفسير المعاملات مباشرة كتأثير كل متغير على التنبؤ.
أقرب الجيران K (KNN)
خوارزمية تعلم خاضع للإشراف تصنف عينة جديدة بناءً على الفئة الأغلبية لأقرب جيرانها k في فضاء الخصائص. هذا النموذج قابل للتفسير بالكامل لأنه يمكن شرح التنبؤات من خلال عرض الجيران المستخدمين في القرار بشكل صريح.
قواعد الارتباط
طريقة لاكتشاف العلاقات بين المتغيرات في قواعد البيانات الكبيرة، ممثلة نموذجيًا بصيغة إذا-ثم مع مقاييس الدعم والثقة. هذه القواعد قابلة للتفسير بشكل جوهري لأنها تعبر مباشرة عن علاقات منطقية مفهومة بين السمات.
النموذج الخطي المعمم (GLM)
امتداد للانحدار الخطي يسمح بتوزيعات استجابة غير طبيعية ودوال ربط غير خطية، مع الحفاظ على بنية جمعية. تظل النماذج الخطية المعممة قابلة للتفسير لأنه يمكن تحويل المعاملات للكشف عن التأثير الهامشي لكل متغير تنبؤي.
النموذج الجمعي المعمم (GAM)
امتداد للنماذج الخطية المعممة حيث يكون التنبؤ عبارة عن مجموع دوال سلسة للمتغيرات الفردية بدلاً من الحدود الخطية. تقدم النماذج الجمعية المعممة قابلية تفسير عالية لأنها تسمح بتصور تأثير كل متغير على التنبؤ بشكل منفصل مع التقاط العلاقات غير الخطية.
التحليل التمييزي الخطي (LDA)
طريقة تصنيف تبحث عن إيجاد تركيبة خطية من الخصائص تفصل بين فئتين أو أكثر بشكل أفضل عن طريق تعظيم نسبة التباين بين الفئات إلى التباين داخل الفئة. تأتي قابلية التفسير من المتجهات الذاتية التي تشير إلى الاتجاهات الأكثر تمييزًا في فضاء الخصائص.
أشجار CART
خوارزمية بناء أشجار القرار التي تستخدم مؤشر جيني للتصنيف والخطأ التربيعي المتوسط للانحدار، مع تقسيمات ثنائية في كل عقدة. يسهل الهيكل الثنائي لأشجار CART تفسير مسارات القرار والقواعد المستخرجة.
خوارزمية ID3
خوارزمية تاريخية لبناء أشجار القرار تستخدم كسب المعلومات القائم على الإنتروبيا لاختيار سمات التقسيم. تنتج ID3 أشجارًا عالية القابلية للتفسير حيث يمثل كل مسار قاعدة قرار واضحة مبنية على اختبارات ثنائية أو متعددة الفئات.
خوارزمية C4.5
تحسين لخوارزمية ID3 تستخدم نسبة كسب المعلومات لتجنب التحيز نحو السمات ذات القيم العديدة، وتتعامل مع السمات المستمرة والقيم المفقودة. تولد C4.5 أشجار قرار محسنة مع الحفاظ على قابلية تفسير كاملة لعملية اتخاذ القرار.
خوارزمية CHAID
خوارزمية لبناء أشجار القرار تستخدم اختبارات كاي مربع للمتغيرات الفئوية واختبارات F للمتغيرات المستمرة، مع تقسيمات متعددة المسارات بدلاً من الثنائية. تنتج CHAID أشجاراً قابلة للتفسير بشكل خاص لبيانات المسوحات والتسويق.
قائمة القرار
هيكل تصنيف يتم تمثيله كسلسلة مرتبة من القواعد الشرطية (إذا-فإن)، حيث يتم اختبار كل قاعدة بالتتابع حتى يتم استيفاء إحداها. تقدم قوائم القرار قابلية تفسير فائقة مقارنة بالأشجار لأنها تعرض تدفق قرار خطي بدلاً من هيكل شجري معقد.
النموذج القائم على القواعد
نظام تصنيف أو انحدار يستخدم مجموعة من القواعد المنطقية لإجراء التنبؤات، غالباً ما يتم تنظيمه في مجموعة شاملة أو قائمة قرار. هذه النماذج هي من بين الأكثر قابلية للتفسير لأنه يمكن تفسير كل تنبؤ بواسطة قاعدة واحدة أو أكثر صريحة ومفهومة لغير الخبراء.
البيرسيترون البسيط
خوارزمية تصنيف خطي ثنائي تتعلم مستوى فاصل عن طريق ضبط الأوزان تكرارياً بناءً على أخطاء التصنيف. على الرغم من بساطته، يظل البيرسيترون قابلاً للتفسير لأنه يمكن فحص الأوزان لفهم أهمية واتجاه تأثير كل سمة.
انحدار بواسون
نموذج انحدار لبيانات العد الذي يفترض أن متغير الاستجابة يتبع توزيع بواسون، مع رابط لوغاريتمي لدالة المتوسط. تسمح المعاملات الأسية للنموذج بتفسير مباشر كمضاعفات لمعدلات الأحداث المتوقعة.
التعزيز التدرجي العشوائي (SGB)
طريقة تجميعية تجمع بين النماذج القابلة للتفسير البسيطة (غالباً أشجار ضحلة) من خلال بناء كل نموذج جديد بشكل تسلسلي لتصحيح أخطاء النموذج السابق. على الرغم من قوته، يحتفظ SGB مع الأشجار الضحلة ببعض القابلية للتفسير من خلال مساهمات كل شجرة فردية.