الانحدار متساوي التوتر في التعلم الآلي: فهم الانحدارات في التعلم الآلي

هناك أنواع مختلفة من نماذج الانحدار (الخوارزميات) التي تُستخدم لتدريب برامج التعلم الآلي ، مثل الانحدار الخطي واللوجستي والتلال والانحدار الحر. من بين هؤلاء ، يعد نموذج الانحدار الخطي هو نموذج الانحدار الأساسي والأكثر استخدامًا. يعتمد الانحدار متساوي التوتر في التعلم الآلي على الانحدار الخطي. ومن ثم ، قبل أن ننتقل إلى الانحدار متساوي التوتر ، دعونا أولاً نلقي نظرة على الانحدار الخطي في التعلم الآلي.

فهم الانحدار الخطي في التعلم الآلي

مصدر

يستخدم نموذج الانحدار الخطي لتحديد العلاقة بين المتغيرات التابعة والمستقلة. يفترض وجود علاقة خطية ، ممثلة بأفضل خط ملائم ، بين المتغيرين. تُستخدم المعادلة y = mx + c + e للإشارة إلى نموذج الانحدار الخطي حيث:

م = ميل الخط

ج = اعتراض

البريد = خطأ في النموذج

نموذج الانحدار الخطي عرضة للقيم المتطرفة وغير مرن للغاية ، وبالتالي لا يمكن استخدامه للبيانات كبيرة الحجم. عندما يتم نشر هذا النموذج على بيانات اختبار كبيرة الحجم ، هناك حالات متعددة تقع خارج منحدر الخط ، وتسمى أيضًا الأخطاء المتبقية. يمكن استخدام طرق مثل تنظيم L1 و L2 لتقليل انحدار منحدر الخط ، لكنها لا تثبت أنها مفيدة.

يجب أن تقرأ: شرح نماذج التعلم الآلي

هذا يحد من دقة خوارزمية التعلم الآلي. يتم اعتماد نهج جديد للانحدار متساوي التوتر في التعلم الآلي للتغلب على هذا الحد. على الرغم من أن هذا الأسلوب ليس واسع الانتشار حاليًا ، إلا أنه قوي للغاية ويمكن أن يساعد في تحسين دقة برنامج التعلم الآلي.

فهم الانحدار متساوي التوتر في التعلم الآلي

قبل الغوص في الأمور التقنية ، دعنا نفهم الانحدار متساوي التوتر في التعلم الآلي بمصطلحات الشخص العادي.

لنبدأ بفك تشفير كلمة "متساوي التوتر". كلمة "متساوي التوتر" لها جذور يونانية أصل الكلمات ، مكونة من جزأين ، "iso" و "منشط". هنا ، تعني كلمة "iso" المساواة وتعني "منشط" التمدد. من حيث خوارزميات التعلم الآلي ، يمكن بالتالي فهم الانحدار متساوي التوتر على أنه امتداد متساوي على طول خط الانحدار الخطي. إنه يعمل على قمة نموذج الانحدار الخطي.

دعنا نلقي نظرة على الجوانب المختلفة المتعلقة بالانحدار متساوي التوتر الذي سيساعدنا على فهمه بشكل أفضل.

1. نموذج خطي متقطع

كما ذكرنا سابقًا ، يجب تقليل انحدار منحدر خط الانحدار الخطي إلى الحد الأدنى ، حيث يتم استخدام طرق تنظيم L1 و L2. يختلف نهج الانحدار متساوي التوتر تمامًا عن طريق تقسيم الرسم البياني إلى أقسام متعددة الأجزاء عن طريق إنشاء عتبات ووجود خط خطي لكل قسم متصل من طرف إلى طرف.

على سبيل المثال ، في الصورة أعلاه ، يمكن تقسيم المحور X إلى أقسام أصغر مختلفة ، على سبيل المثال في فترات متساوية من 10. يمكن تسمية كل من هذه الفواصل الزمنية على أنها صناديق ، مثل bin1 و bin2 و bin3 و bin4 وهكذا على. وبالتالي ، تصبح المعادلة الخطية الآن ،

y = m1x1 + m2x2 + m3x3 +… .. mnxn + c ، حيث:

m1، m2، m3… .mn = ميل خط الصناديق الفردية.

يساعد هذا في تقليل الخطأ وتقليل انحدار أفضل خط ملائم.

2. منحدر غير سلبي

نظرًا لأن الوظيفة متساوية التوتر هي وظيفة رتيبة ، فإن ميل المحلول دائمًا ما يكون غير سالب. لا يُسمح بانخفاض المنحدر عند الانتقال من عتبة إلى أخرى. يجب أن تكون أدنى نقطة في العتبة دائمًا أكبر من أعلى نقطة في العتبة السابقة.

على سبيل المثال ، لنفترض أن x1 ، x2 ، x3 ، x4 ... xn هي قيم نقاط البيانات المعتبرة للميل في الصناديق b1 ، b2 ، b3 ، b4 ... bn. بعد ذلك ، وفقًا للقاعدة ، يجب أن يكون الميل غير سالب. لذلك،

f (x1) <= f (x2) <= f (x3) <= f (x4)… <= f (xn).

لذلك ، نبدأ بنقطة أقل (حيث f (x1) هي أدنى نقطة) وننتقل تدريجياً إلى نقطة أعلى مع كل عتبة. يمكن أن يكون ميل العتبة صفرًا (خط أفقي) ولكن لا يمكن أبدًا أن يكون سالبًا (منحدرًا لأسفل).

قراءة: أفكار مشروع التعلم الآلي للمبتدئين

مزايا استخدام الانحدار متساوي التوتر في نماذج التعلم الآلي

يوفر استخدام الانحدار متساوي التوتر فائدتين رئيسيتين ، تمت مناقشتهما أدناه.

1. التحجيم متعدد الأبعاد

الانحدار متساوي التوتر مفيد للغاية إذا كان لديك متغيرات إدخال متعددة. يمكننا فحص كل بُعد حسب كل وظيفة واستيفاءها بطريقة خطية. هذا يسمح بتحجيم متعدد الأبعاد سهل.

2. معايرة القيم الاحتمالية

في الانحدار اللوجستي ، افترض أن لدينا متغيرًا x ، ونشير إلى احتمال p (1) حيث لا تزيد قيمة الاحتمال للمتغير. لكن ، في الواقع ، قيمة الاحتمال أعلى في العالم الحقيقي. في مثل هذه الحالات ، لأغراض المعايرة أو زيادة احتمالية مثل هذه المتغيرات ، يثبت الانحدار متساوي التوتر أنه مفيد للغاية.

تحقق من: أسئلة مقابلة التعلم الآلي

عيوب استخدام الانحدار متساوي التوتر في نماذج التعلم الآلي

هناك جانب سلبي رئيسي لاستخدام الانحدار متساوي التوتر ، والذي تمت مناقشته أدناه.

خطر فرط التجهيز

هناك خطر كبير من فرط تجهيز المعلمة الفائقة (K) مع زيادة عدد القيود متساوي التوتر وميزات التوقع ، ولكن يمكن استخدام طريقة سير عمل التحقق المتبادل لإدارة المشكلة.

خاتمة

حاليًا ، هناك ثلاث لغات رئيسية فقط لديها حزم مفتوحة المصدر مع انحدار متساوي التوتر. ومع ذلك ، بالنظر إلى فوائد استخدام الانحدار متساوي التوتر في مشاكل التعلم الآلي ، فإن نطاق واستخدام وتوافر حزم الانحدار متساوي التوتر سيزداد بالتأكيد في المستقبل.

يمكننا أن نرى أن الانحدار متساوي التوتر يحل محل الانحدار الخطي وطرق تطبيع L1 و L2. لذلك ، لكي تكون مستعدًا للمستقبل ، من الضروري أن تبقي نفسك على اطلاع دائم ومعرفة بشأن الانحدار متساوي التوتر من الآن!

إذا كنت مهتمًا بمعرفة المزيد حول الانحدار متساوي التوتر في التعلم الآلي أو المفاهيم الأخرى ذات الصلة بالتعلم الآلي ، فيمكنك الاطلاع على IIIT-B و upGrad's دبلومة PG في التعلم الآلي والذكاء الاصطناعي ، وهو البرنامج الأكثر مبيعًا في الهند مع تصنيف 4.5 نجمة . تحتوي الدورة التدريبية على 450+ ساعة من التعلم ، وأكثر من 30 دراسة حالة ، ومهام ، وتساعد الطلاب على تعلم المهارات المطلوبة المتعلقة بالتعلم الآلي والذكاء الاصطناعي.