قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
هامش صلب
نهج SVM يتطلب فصلًا مثاليًا للفئات دون أي تسامح مع الأخطاء. هذه الطريقة حساسة للقيم الشاذة ويمكن أن تؤدي إلى التجهيز الزائد (overfitting) على مجموعات البيانات الحقيقية.
درجة متعدد الحدود
معامل يتحكم في تعقيد النواة متعددة الحدود عن طريق تحديد درجة متعدد الحدود المستخدمة لتحويل البيانات. تسمح القيم الأعلى بالتقاط علاقات أكثر تعقيدًا ولكنها تزيد من خطر التجهيز الزائد (overfitting).
معامل Coef0
الحد المستقل في النواة متعددة الحدود والنواة السيني (sigmoid) الذي يتحكم في تأثير الحدود ذات الرتب الأعلى والأدنى. يقوم هذا المعامل بضبط شكل دالة القرار ويؤثر على مرونة النموذج.
التسامح
معيار إيقاف يحدد الدقة المطلوبة لخوارزمية تحسين SVM. يؤدي التسامح الأكثر صرامة إلى حل أكثر دقة ولكنه يزيد من وقت الحساب اللازم للتقارب.
النواة متعددة الحدود
دالة نواة تستخدم تحويلات متعددة الحدود لتعيين البيانات في فضاء ميزات غير خطي. هذه النواة مناسبة بشكل خاص لالتقاط التفاعلات ذات الرتب الأعلى بين المتغيرات.
النواة السيني (Sigmoid)
دالة نواة تعتمد على دالة الظل الزائدي (hyperbolic tangent)، وهي مكافئة رياضيًا لشبكة عصبية ذات طبقتين. يمكن لهذه النواة نمذجة العلاقات غير الخطية ولكنها حساسة لقيم المعاملات.
النواة الخطية
أبسط دالة نواة لا تقوم بأي تحويل للبيانات، وتعمل مباشرة في الفضاء الأصلي. هذه النواة فعالة للبيانات القابلة للفصل خطيًا وتوفر سرعة تدريب مثالية.
معامل إبسيلون
معامل في SVM للانحدار يحدد عرض المنطقة غير الحساسة للأخطاء حول دالة التنبؤ. يتحكم هذا المعامل في التسامح مع البقايا ويؤثر على متانة نموذج الانحدار.
حجم الذاكرة المؤقتة
معلمة تقنية تتحكم في الذاكرة المخصصة لتخزين حسابات النواة (kernel) أثناء التدريب. حجم ذاكرة مؤقتة أكبر يسرع الحسابات لمجموعات البيانات الكبيرة ولكنه يستهلك المزيد من موارد النظام.
التقليص
تقنية تحسين تزيل تدريجياً القيود غير النشطة من مشكلة تحسين آلة المتجهات الداعمة (SVM). هذه الاستدلالية تسرع بشكل كبير التقارب على مجموعات البيانات الكبيرة.
الحد الأقصى للتكرارات
الحد الأعلى لعدد التكرارات المسموح بها لخوارزمية تحسين آلة المتجهات الداعمة (SVM). تمنع هذه المعلمة الحلقات اللانهائية وتتحكم في الحد الأقصى لوقت الحساب لمجموعات البيانات المعقدة.