Return to Video

Regularization - Intro to Machine Learning

  • 0:01 - 0:05
    .يُعد الانحدار أحد أقوى الأماكن التي يمكنكم استخدام التنظيم فيها
  • 0:05 - 0:07
    ويُعد التنظيم
  • 0:07 - 0:11
    .وسيلة للحد تلقائيًا من الميزات الإضافية التي تستخدمونها في النموذج الخاص بكم
  • 0:11 - 0:13
    .حسنًا، دعوني أبرز هذا الأمر بشكل أوضح
  • 0:13 - 0:17
    .هناك نوع من الانحدار المنظم يُسمى انحدار لاسو للتحديد الحر
  • 0:17 - 0:20
    .وهنا توجد الصيغة التقريبية لانحدار لاسو للتحديد الحر
  • 0:21 - 0:22
    ،يوضح الانحدار الخطي العادي
  • 0:22 - 0:28
    .أنني لا أريد سوى تقليل مجموع الأخطاء التربيعية في الملاءمة
  • 0:28 - 0:31
    أريد تقليل المسافة بين الملاءمة
  • 0:31 - 0:35
    .وأي نقطة بيانات معينة أو مربع هذه المسافة
  • 0:35 - 0:40
    .أما ما يوضحه انحدار لاسو للتحديد الحر فهو أننا نريد بالفعل مجموع صغير للأخطاء التربيعية
  • 0:40 - 0:43
    ،ولكن، بالإضافة إلى تقليل مجموع الأخطاء التربيعية
  • 0:43 - 0:46
    .أريد أيضًا تقليل عدد الميزات التي أستخدمها
  • 0:46 - 0:49
    لذلك، سأقوم بإضافة مصطلح آخر هنا، والذي تتوفر لي من خلاله
  • 0:49 - 0:54
    .معلمة الغرامة، بالإضافة إلى معاملات الانحدار
  • 0:54 - 0:58
    .لذلك، فإن هذا هو المصطلح الذي يصف في الأساس عدد الميزات التي أستخدمها
  • 0:58 - 1:00
    .وإليكم نتيجة هذه الصيغة
  • 1:00 - 1:05
    عند القيام بالملاءمة، أراعي كلاً من الأخطاء التي تأتي من هذه الملاءمة
  • 1:05 - 1:09
    .وكذلك عدد الميزات التي يتم استخدامها
  • 1:09 - 1:11
    ،لذلك، فلنقل إنني أعقد مقارنة بين ملاءمتين مختلفتين
  • 1:11 - 1:13
    .لهما عدد مختلف من الميزات داخلهما
  • 1:14 - 1:16
    ،ستكون الملاءمة التي تتضمن المزيد من الميزات
  • 1:16 - 1:19
    ،لها بالتأكيد مجموع أقل من الأخطاء التربيعية
  • 1:19 - 1:23
    .لأنها يمكن أن تتلاءم بشكل أكثر دقة مع النقاط
  • 1:23 - 1:25
    .ولكنني أدفع غرامة لاستخدام هذه الميزة الإضافية
  • 1:25 - 1:29
    ،وهنا يأتي المصطلح الثاني لتعريف الغرامة
  • 1:29 - 1:31
    ومعاملات الانحدار التي سأحصل عليها
  • 1:31 - 1:34
    .لهذه الميزة الإضافية التي أستخدمها
  • 1:34 - 1:37
    لذلك، فإن ما يقوله هذا الأمر هو أن ما أحصل عليه
  • 1:37 - 1:39
    من حيث الدقة
  • 1:39 - 1:44
    وجودة ملاءمة الانحدار، يجب أن يكون مكسبًا أكبر من الخسارة
  • 1:44 - 1:48
    .التي أتكبدها نتيجة لوجود هذه الميزة الإضافية في الانحدار
  • 1:49 - 1:53
    لذلك، يصيغ ذلك المفاضلة بين
  • 1:53 - 1:59
    .وجود أخطاء صغيرة ووجود ملاءمة أبسط تستخدم عددًا أقل من الميزات، بطريقة رياضية
  • 1:59 - 2:01
    إذن، ما يقوم به انحدار لاسو للتحديد الحر
  • 2:01 - 2:05
    .هو وضع معلمة الغرامة هذه في الحسبان تلقائيًا
  • 2:05 - 2:09
    وبذلك، يساعدكم فعلاً على معرفة الميزات
  • 2:09 - 2:12
    .التي يكون لها التأثير الأكثر أهمية على الانحدار
  • 2:12 - 2:15
    وبمجرد إيجاد هذه الميزات، فإنه يمكنه حقًا إزالة
  • 2:15 - 2:20
    .المعاملات للميزات التي لا تساعدكم بشكل أساسي أو ضبطها على الصفر
Title:
Regularization - Intro to Machine Learning
Description:

more » « less
Video Language:
English
Team:
Udacity
Project:
ud120 - Intro to Machine Learning
Duration:
02:21
Udacity Robot edited Arabic subtitles for 11-19 Regularization

Arabic subtitles

Revisions