قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
خطأ خارج الحقيبة
خطأ تحقق يتم حسابه على الملاحظات غير المختارة أثناء أخذ العينات الاحتمالية، مما يشكل تقديرًا غير متحيز لخطأ تعميم النموذج. يعمل خطأ OOB كبديل للتحقق المتبادل في طرق المجموعة مثل الغابة العشوائية.
التجميع الاحتمالي (Bagging)
طريقة مجموعة تدرب نماذج متعددة على عينات احتمالية مختلفة وتجمع توقعاتها بالتصويت الأغلب أو المتوسط لتقليل التباين وتحسين الاستقرار التنبؤي. Bagging فعال بشكل خاص للخوارزميات غير المستقرة مثل أشجار القرار.
فترة الثقة الاحتمالية
فترة ثقة مقدرة بإعادة أخذ العينات الاحتمالية لقياس عدم اليقين لمعلمات النموذج أو مقاييس الأداء. توجد عدة طرق: النسبة المئوية، BCa، وفترات الاحتمال الأساسية.
التحقق بمفكاك السكاكين
تقنية أخذ عينات منهجية حيث يتم حذف كل ملاحظة بدورها لتقدير التحيز والتباين للمقدر، تعتبر تقريبًا للاحتمال. مفكاك السكاكين أقل تكلفة حسابيًا ولكن أقل مرونة من الاحتمال.
التحقق بالتبديل
طريقة تحقق غير معلمية تقيم الدلالة الإحصائية لنموذج عن طريق تبديل العلامات المستهدفة عشوائيًا لإنشاء توزيع عديم الأداء. هذه التقنية تتيح اختبار ما إذا كان النموذج يتعلم أنماطًا ذات دلالة حقيقية.
تصحيح التحيز الاحتمالي
إجراء يستخدم الاحتمال لتقديم وتصحيح تحيز المقدر أو مقياس تقييم النموذج. هذا التصحيح يحسن دقة التقديرات خاصة على العينات الصغيرة.
BCa الاحتمالي (المصحح من التحيز والمُسرع)
طريقة احتمالية متقدمة تضبط فترات الثقة بتصحيح التحيز والتسارع (الانحراف) للتوزيع الاحتمالي. يوفر BCa فترات أكثر دقة من طريقة النسبة المئوية القياسية.
الاحتمال المعلمي
نوع مختلف من الاحتمال حيث يتم توليد العينات من توزيع معلمي معدل للبيانات بدلاً من إعادة أخذ العينات المباشرة. هذه الطريقة مفيدة عندما يكون النموذج الأساسي للبيانات معروفًا أو مفترضًا.
البوتستراب غير المعلمي
نهج بوتستراب كلاسيكي يعيد أخذ العينات مباشرة مع الاستبدال من البيانات المرصودة دون افتراضات حول التوزيع الأساسي. هذه الطريقة أكثر مرونة وقوة ضد انتهاكات الافتراضات التوزيعية.
توزيع المعاينة بالبوتستراب
التوزيع التجريبي للإحصاء الذي يتم الحصول عليه بحساب هذا الإحصاء على عينات بوتستراب متعددة، مما يسمح بتقدير التباين والخصائص التقاربية للمقدر. هذا التوزيع يعمل كأساس للاستدلالات البوتسترابية.
الخطأ المعياري للبوتستراب
تقدير الخطأ المعياري للإحصاء المحسوب كالانحراف المعياري لتوزيعه البوتسترابي، مما يوفر مقياسًا للدقة قويًا ضد الافتراضات التوزيعية. هذا التقدير مفيد بشكل خاص للإحصائيات المعقدة.
اختبار الفرضيات بالبوتستراب
نهج اختبار الفرضيات باستخدام البوتستراب لتوليد التوزيع تحت الفرضية الصفرية وحساب قيم p بطريقة غير معلمية. هذه الطريقة تتجنب التقريبات التقاربية وتعمل مع إحصائيات الاختبار المعقدة.
اختيار النموذج بالبوتستراب
عملية اختيار النموذج باستخدام البوتستراب لتقييم استقرار وأداء المرشحين النموذجيين المختلفين على عينات متعددة معادة. هذا النهج يقدر عدم اليقين في عملية الاختيار نفسها.
تحليل القوة بالبوتستراب
تقييم القوة الإحصائية لاختبار أو نموذج بمحاكاة عينات بوتستراب متعددة تحت فرضيات بديلة مختلفة. هذه الطريقة تسمح بتقدير حجم العينة المطلوب دون افتراضات توزيعية مقيدة.
معايرة البوتستراب
تقنية ضبط الاحتمالات المتوقعة من نموذج تصنيف باستخدام البوتستراب لتقدير وتصحيح انحياز المعايرة. هذه الطريقة تحسن موثوقية درجات الاحتمال للنموذج.
طرق المجموعة بالبوتستراب
عائلة من الخوارزميات التي تجمع بين البوتستراب والتجميع لتقليل تباين التوقعات، بما في ذلك الغابة العشوائية والأشجار الإضافية وطرق أخرى تعتمد على عينات البوتستراب. هذه الطرق تستفيد من التنوع الناتج عن إعادة أخذ العينات.
أهمية ميزات البوتستراب
تقييم أهمية المتغيرات من خلال قياس تأثيرها على أداء النموذج عبر عينات بوتستراب متعددة، مما يوفر فترات ثقة للأهمية. هذا النهج يقيس استقرار أهمية الميزات.
استقرار نموذج البوتستراب
قياس متانة النموذج من خلال اتساق تنبؤاته أو معلماته عبر عينات بوتستراب مختلفة. يعد الاستقرار حاسماً للثقة في عمليات نشر النموذج الفعلية.
البوتستراب 632+
نسخة متقدمة من البوتستراب تصحح التحيز المتفائل لتقدير الخطأ من خلال الجمع بين خطأ البوتستراب والخطأ الظاهري بوزن 0.632، معدل للتعلم الزائد. توفر هذه الطريقة تقديرات خطأ أكثر دقة.