قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
MSE (متوسط مربعات الخطأ)
مقياس يحسب متوسط مربعات الأخطاء، ويعاقب الأخطاء الكبيرة أكثر من الأخطاء الصغيرة في تقييم النموذج.
RMSE (جذر متوسط مربعات الخطأ)
الجذر التربيعي لـ MSE، يوفر قياسًا للخطأ بنفس وحدة المتغير المستهدف مع الحفاظ على معاقبة الأخطاء الكبيرة.
R² (معامل التحديد)
مؤشر إحصائي يقيس نسبة التباين في المتغير المستهدف الذي يفسره النموذج، ويتراوح بين 0 و 1 (أو سالب للنماذج الضعيفة جدًا).
MAPE (متوسط الخطأ النسبي المطلق)
مقياس يعبر عن متوسط الخطأ كنسبة مئوية من القيم الفعلية، مما يسهل التفسير والمقارنة بين النماذج أو مجموعات البيانات.
RMSLE (جذر متوسط مربعات الخطأ اللوغاريتمي)
نوع من RMSE يُطبق على لوغاريتمات القيم، مناسب بشكل خاص للبيانات ذات التوزيع الأسي أو لتقليل تأثير القيم المتطرفة.
MedAE (متوسط الخطأ المطلق الوسيط)
وسيط الأخطاء المطلقة، يوفر قياسًا قويًا ضد القيم الشاذة على عكس MAE الذي يستخدم المتوسط.
دراسة التباين الموضح
مقياس يقيم نسبة التباين في البيانات التي يفسرها النموذج، مشابه لـ R² ولكن بدون قيود على انحياز التوقعات.
متوسط مربعات الخطأ اللوغاريتمي (MSLE)
مقياس يحسب متوسط مربعات الأخطاء اللوغاريتمية، مثالي للتنبؤات حيث تكون الأخطاء النسبية أكثر أهمية من الأخطاء المطلقة.
خسارة الكميات
دالة خسارة غير متماثلة تُستخدم للتنبؤ بكميات محددة من التوزيع الشرطي، حيث تعاقب التقديرات المنخفضة والتقديرات المرتفعة بشكل مختلف.
متوسط الخطأ المطلق المعياري (MASE)
مقياس نسبي يقارن متوسط الخطأ المطلق للنموذج بمتوسط خطأ طريقة مرجعية بسيطة، وهو مستقل عن مقياس البيانات.
SMAPE (متوسط الخطأ المتماثل للنسبة المئوية المطلقة)
نوع متماثل من MAPE يتجنب مشاكل القسمة على الصفر ويوفر توازنًا أفضل بين التقدير الزائد والتقدير المنخفض.
متوسط خطأ الانحياز (MBE)
مقياس يقيس الانحياز المنهجي للنموذج عن طريق حساب متوسط الأخطاء غير المطلقة، مما يشير إلى ما إذا كان النموذج يميل إلى المبالغة في التقدير أو التقليل منه.
الخطأ المطلق النسبي (RAE)
مقياس طبيعي يقارن إجمالي الخطأ المطلق للنموذج بخطأ متنبئ بسيط، معبرًا عنه كنسبة بدون وحدة.
جذر الخطأ التربيعي النسبي (RRSE)
الجذر التربيعي للخطأ التربيعي النسبي، الذي يعيد قياس RMSE نسبة إلى خطأ نموذج مرجعي بسيط.
معامل ثيل U
مقياس تنبؤ مقارن يقيس الأداء النسبي للنموذج مقارنة بالتنبؤ البسيط، حيث يشير U=0 إلى تنبؤ مثالي.
كفاءة ناش-سوتكليف (NSE)
معامل كفاءة يتراوح من -∞ إلى 1، ويقيس قدرة النموذج على التنبؤ بالقيم المرصودة مقارنة بمتوسط المشاهدات.
دقة الاتجاه المتوسط (MDA)
مقياس لتقييم قدرة النموذج على التنبؤ الصحيح باتجاه التغيرات بين الملاحظات المتتالية، وهو أمر حاسم للتطبيقات المالية.
R² المعدل
نسخة معدلة من R² تضبط النتيجة بناءً على عدد المتغيرات التنبؤية في النموذج، مما يتجنب التقييم المفرط الاصطناعي عند إضافة المتغيرات.