قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
التحيز
خطأ منهجي ناتج عن افتراضات مفرطة في التبسيط في نموذج التعلم، مما يؤدي إلى نقص التعلم. يشير التحيز العالي إلى أن النموذج يفشل في التقاط العلاقات المعقدة الموجودة في بيانات التدريب.
التباين
مقياس لحساسية النموذج للتقلبات العشوائية الموجودة في مجموعة التدريب، مما يسبب الإفراط في التعلم. يعني التباين العالي أن النموذج يلتقط ضوضاء البيانات بدلاً من الاتجاه الأساسي.
المفاضلة بين التحيز والتباين
معضلة أساسية في التعلم الآلي حيث يؤدي تقليل التحيز عادةً إلى زيادة التباين، والعكس صحيح. يتيح تحسين هذه المفاضلة إيجاد التوازن الصحيح لتقليل خطأ التعميم الكلي.
خطأ التعميم
مقياس لأداء النموذج على بيانات غير مرئية، وهو أمر بالغ الأهمية لتقييم قدرته على التنبؤ بشكل صحيح على عينات جديدة. ينقسم هذا الخطأ إلى مربع التحيز، والتباين، والخطأ غير القابل للاختزال وفقًا لنظرية التحيز والتباين.
منحنى التعلم
رسم بياني يمثل تطور أداء النموذج بناءً على حجم مجموعة التدريب، مما يسمح بتشخيص مشاكل التحيز والتباين. يساعد تحليل هذا المنحنى في تحديد ما إذا كان إضافة البيانات أو تعديل تعقيد النموذج ضروريًا.
التنظيم
مجموعة من التقنيات التي تهدف إلى التحكم في تعقيد النموذج لتقليل التباين ومنع الإفراط في التعلم. يضيف التنظيم L1 و L2 شروط عقوبة إلى دالة الخسارة للحد من سعة معاملات النموذج.
تعقيد النموذج
مقياس لقدرة النموذج على التكيف مع الدوال المعقدة، ويرتبط مباشرة بالمفاضلة بين التحيز والتباين. يمكن التحكم في التعقيد من خلال عدد المعلمات، أو عمق الشبكات العصبية، أو درجة كثيرات الحدود.
خطأ التقريب
جزء من الخطأ الناتج عن عدم قدرة عائلة النماذج المختارة على تمثيل الدالة الحقيقية الأساسية بشكل مثالي. يستمر هذا الخطأ، المرتبط بالتحيز، حتى مع كمية لا نهائية من بيانات التدريب.
خطأ التقدير
خطأ ناتج عن استخدام عينة محدودة من البيانات لتقدير المعلمات المثلى للنموذج. هذا المكون من الخطأ يرتبط مباشرة بالتباين وينخفض مع زيادة حجم بيانات التدريب.
منحنى التحقق
أداة تشخيصية تصور أداء النموذج بناءً على تغيرات المعلمات الفائقة أو التعقيد. يساعد منحنى التحقق في تحديد النقطة المثلى حيث يكون الفارق بين أداء التدريب والتحقق ضئيلاً.
التوقف المبكر
طريقة تنظيم تتضمن إيقاف التدريب قبل التقارب عندما يتوقف الأداء على مجموعة التحقق عن التحسن. تحد هذه التقنية الفعالة من الإفراط في التعلّم من خلال إيجاد النقطة المثلى للمفاضلة بين التحيز والتباين تلقائيًا.
خطأ غير قابل للاختزال
جزء من خطأ التنبؤ الذي لا يمكن إزالته بغض النظر عن النموذج، بسبب الضوضاء الكامنة في البيانات. يشكل هذا المكون الحد الأدنى النظري لخطأ التعميم الذي يجب على أي خوارزمية احترامه.
سعة VC
مقياس نظري لتعقيد فئة من النماذج، يمثل الحد الأقصى لعدد النقاط التي يمكنها فصلها تمامًا. يوفر بعد فابنيك-تشيرفونينكيس حدودًا نظرية لخطأ التعميم بناءً على حجم العينة.