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 العلميةمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي

طرق خط الأساس: لماذا نبدأ بالبسيط؟

Baseline Methods

مبتدئ10 دقيقة

أهداف الدرس

  • تطبيق Naive وSeasonal Naive وDrift والمتوسط المتحرك
  • استخدامها مرجعاً في كل مقارنة

أربع طرق

Naive يكرر آخر قيمة، وSeasonal Naive يكرر قيمة الموسم السابق، وDrift يمد خطاً بين أول وآخر قيمة، والمتوسط المتحرك يكرر متوسط آخر k قيم.

\hat y^{\text{naive}}_{T+h}=y_T,\quad \hat y^{\text{snaive}}_{T+h}=y_{T+h-m(k+1)}
301462622تنبؤ 24 شهراً من نهاية 19581957195819591960الفعليةNaiveSeasonal Naive

لماذا هي مهمة؟

لا معنى لعبارة «النموذج دقيق» دون مرجع. لو لم يتفوق LSTM على Seasonal Naive فهو لا يضيف قيمة. ولهذا يبنى مقياس MASE على أخطاء Seasonal Naive.

الخلاصة

  • ابدأ دائماً بخط أساس
  • النموذج المعقد يجب أن يبرر تعقيده

طبّق الدرس في مقارنة النماذج

للاستزادة

  1. Hyndman & Athanasopoulos, Forecasting: Principles and Practice (3rd ed.), §5.2 Some simple forecasting methods