كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيمصمم الشبكات العصبية

انحدار المتجهات الداعمة

Support Vector Regression (SVR)

يبحث عن دالة لا تنحرف عن الأهداف بأكثر من ε مع أكبر هامش، وبنواة RBF لالتقاط اللاخطية. تُبنى الخصائص من القيم السابقة فقط (Lags، تأخير موسمي، متوسط متحرك للماضي، خصائص تقويم)، ويكون التنبؤ متعدد الخطوات تكرارياً (Recursive).

يعمل في المتصفحيحتاج محرك Pythonالمستوى الثالث: التعلم الآلي

جرّب هذا النموذج في المختبر

المبدأ

المسألة الثنائية تُحل في المتصفح بالانحدار الإحداثي الثنائي (Dual Coordinate Descent) مع إدراج الانحياز في النواة، على آخر 1500 صف كحد أقصى.

\min_{w,b}\ \tfrac12\lVert w\rVert^2 + C\sum_i \max(0,|y_i-f(x_i)|-\varepsilon)
K(x,x\prime)=\exp(-\gamma\lVert x-x\prime\rVert^2)

متطلبات البيانات

خصائص موحدة المقياس (يفعل المختبر ذلك تلقائياً).

المعاملات

C
عقوبة الخطأ
ε
عرض الأنبوب
γ
عرض نواة RBF

المزايا

  • جيد مع بيانات متوسطة الحجم
  • مقاوم للقيم الشاذة بفضل ε

العيوب

  • تكلفة O(n²) للذاكرة
  • حساس لـ C وγ

الاستخدامات

  • سلاسل قصيرة غير خطية

مثال تطبيقي

جرّب C=1 ثم C=100 على بيانات الإنترنت WWWusage ولاحظ أثر التنظيم.

المراجع

  1. scikit-learn: SVR
  2. Smola & Schölkopf (2004). A tutorial on support vector regression. Statistics and Computing. DOI 10.1023/B:STCO.0000035301.49549.88

من المستوى نفسه

يعمل في المتصفحيحتاج محرك Python الانحدار الخطي على التأخيرات Linear Regression يحوّل التنبؤ إلى مسألة انحدار: الهدف y_t والخصائص قيم سابقة وخصائص تقويم. تُبنى الخصائص من القيم السابقة فقط (Lags، تأخير موسمي، متوسط متحرك للماضي، خصائص تقويم)، ويكون ا… يعمل في المتصفحيحتاج محرك Python انحدار ريدج Ridge Regression انحدار خطي مع عقوبة L2 على المعاملات تقلل التباين حين تكون التأخيرات مترابطة. تُبنى الخصائص من القيم السابقة فقط (Lags، تأخير موسمي، متوسط متحرك للماضي، خصائص تقويم)، ويك… يعمل في المتصفحيحتاج محرك Python الغابة العشوائية للانحدار Random Forest Regressor متوسط عدد كبير من أشجار الانحدار المدربة على عينات bootstrap. تُبنى الخصائص من القيم السابقة فقط (Lags، تأخير موسمي، متوسط متحرك للماضي، خصائص تقويم)، ويكون التنبؤ متعدد… يعمل في المتصفحيحتاج محرك Python التعزيز التدرجي Gradient Boosting يضيف أشجاراً صغيرة تباعاً، تتعلم كل منها بواقي سابقاتها. تُبنى الخصائص من القيم السابقة فقط (Lags، تأخير موسمي، متوسط متحرك للماضي، خصائص تقويم)، ويكون التنبؤ متعدد الخطو…