طرق التعلم الآلي الخاضع للإشراف

مرحبًا بك في دورة نوليدج سيتي عن التعلم الآلي وطرق التعلم الآلي الخاضعة للإشراف. في هذه الدروس، ستتعرف على الانحدار الخطي واللوجستي، وآلات المتجهات الداعمة، أشجار القرار والغابات العشوائية Random Forests والشبكات العصبية. سيكون هذا الدرس حول الانحدار الخطي واللوجستي. خلال هذا الدرس، ستتعلم ما هو الانحدار الخطي، ما هو الانحدار اللوجستي، كيف يتم استخدام الانحدار الخطي واللوجستي، وكيف يتم تنفيذ الانحدار الخطي واللوجستي؟ ما هو الانحدار الخطي؟ الانحدار الخطي هو أحد أبسط الأنواع لخوارزميات التعلم الآلي يستخدم للتنبؤ بمتغير مستمر. والانحدار الخطي البسيط، هناك متغير مستقل واحد يستخدم للتنبؤ بالمتغير التابع. وفي الانحدار الخطي المتعدد، هناك العديد من المتغيرات التابعة المستخدمة للتنبؤ بالمتغير التابع. تشمل بعض الاستخدامات الإحصائيات وتقييم الاتجاه وتقييم فعالية التسويق. ما هو الانحدار اللوجستي؟ الانحدار اللوجستي هو تقنية تعلم آلي خاصعة للإشراف شائعة جدا التي تستخدم عادة لمشكلات التصنيف. يستخدم متغيرات مستقلة متعددة للتنبؤ بفئة من خلال الاستفادة من تقدير الاحتمالية القصوى. من الأفضل استخدام الانحدار اللوجستي لمشاكل التصنيف الثنائي، على الرغم من أنه غير مقيد تمامًا لهذه الفئة من المشكلات. تتضمن بعض الاستخدامات عوامل تصفية البريد العشوائي، تحديد ما إذا كان الورم حميدًا أم خبيثًا، والتنبؤ باحتمالية وقوع حدث ما. الآن، سوف ندخل في كيفية تنفيذ الانحدار الخطي واللوجستي في بايثون. إذن هذه التطبيقات، ستستخدم حزمة scikit-Learn، والتي تحتوي مرة أخرى على مجموعة متنوعة من التعلم الآلي الخاضع للإشراف وغير الخاضع للإشراف، تطبيقات النموذج والخوارزمية. وهو حقًا مكان جيد للبدء إذا كنت تدخل في التعلم الآلي. لذا يمكنك تجربة بعض النماذج الأساسية والبسيطة قبل الخوض في النماذج الأكثر تعقيدًا. لذا فإن الانحدار الخطي يستخدم مجموعة بيانات مرض السكري. كما ترون هنا، متوسط ​​الخطأ المطلق لذلك هو حوالي 41، مما يعني أنه في المتوسط، كلما تم إجراء توقع، الحل هو حوالي 41 نقطة. إذن هذا سيء بالطبع، لكن في هذه الحالة، لا يهم بالضرورة لأن الغرض من ذلك هو فقط لعرض مدى سهولة تنفيذ نموذج الانحدار الخطي. وأنت تعلم، بالطبع، هناك مجموعات بيانات هناك حيث سيكون أداء الانحدار أفضل بكثير. لكن مجموعة بيانات مرض السكري هذه واحدة من مجموعات بيانات الانحدار الأكثر تعقيدًا. بعد ذلك، سننتقل إلى الانحدار اللوجستي. هذا باستخدام مجموعة بيانات سرطان الثدي. وكما ترى هنا، تبلغ الدقة حوالي 94٪، وهو أمر جيد جدًا. بالطبع، هناك مصنفات يمكن أن يؤدي بشكل أفضل، لكن 94٪ بالتأكيد ليست نتيجة دقة سيئة، خاصة لمثل هذا بسيط ونموذج التعلم الآلي القابل للتفسير مثل هذا. بهذا يختتم هذا الدرس، وبعد ذلك، سنناقش آلات المتجهات الداعمة . شكرا لك.