أهمية التقليب في تنبؤات الشبكة العصبية

الصورة بواسطة المحرر
 

تمثل التباديل كل طريقة من الطرق الممكنة لترتيب مجموعات من الأشياء أو الأرقام. يعد التقليب مهمًا في التخصصات التي تتمحور حول الرياضيات ، مثل الإحصائيات ، ولكنه يؤثر أيضًا على التنبؤات التي تقوم بها الشبكات العصبية. هنا نظرة فاحصة. 

غالبًا ما يجد علماء البيانات أنفسهم في الحالات التي يحتاجون فيها إلى معرفة المزيد عن السكان الذين يمثلون مصدر معلوماتهم. ومع ذلك ، يجب عليهم تحديد الأهمية الإحصائية. إجراء اختبارات التقليب هو طريقة عملية للحصول عليه عند العمل مع بيانات السلاسل الزمنية. 

يقدر اختبار التقليب توزيع السكان. بعد الحصول على هذه المعلومات ، يمكن لعالم البيانات تحديد ندرة القيم المرصودة بالنسبة للسكان. توفر اختبارات التقليب عينة من جميع التباديل الممكنة دون استبدال أي قيم. 

لديهم أيضًا فعالية عالية ، حتى مع أحجام العينات الصغيرة. وبالتالي ، يمكن أن تساعد اختبارات التقليب الأشخاص في تحديد ما إذا كان نموذج الشبكة العصبية الخاص بهم قد كشف عن نتيجة ذات دلالة إحصائية. 

يمكن أن تساعد هذه الاختبارات الأشخاص أيضًا في تحديد مدى ثقتهم في نتائج النموذج. يمكن أن تكون دقة القياس مهمة للغاية ، اعتمادًا على استخدام النموذج. يجب أن يتمتع الناس بثقة عالية في أداء النموذج قبل تطبيقه على التشخيصات الطبية أو قرارات التمويل. 

تعتمد العديد من الشبكات العصبية على نماذج الصندوق الأسود. إنها دقيقة بشكل لا يصدق عبر مجموعة واسعة من التطبيقات. ومع ذلك ، فإنه عادة ما يستغرق العمل لمعرفة تأثير المتنبئين على التنبؤات النهائية. 

يوفر خيار يسمى أهمية ميزة التقليب طريقة للتغلب على تلك العقبة. يُظهر لعلماء البيانات ميزات مجموعة البيانات التي تتمتع بقدرة تنبؤية ، بغض النظر عن النموذج المستخدم. 

تسمح تقنيات تحديد أهمية الميزة في النموذج للأشخاص بترتيب المتنبئين بناءً على قوتهم التنبؤية النسبية. يتم تفعيل التباديل العشوائي من خلال إظهار ما إذا كان خلط الميزات يؤدي إلى انخفاض في دقة التنبؤ. 

ربما يكون الانخفاض في الجودة ضئيلًا. يشير ذلك إلى أن المعلومات ذات الصلة المرتبطة بالتنبؤ الأصلي لم يكن لها تأثير كبير في توليد التنبؤ الكلي. 

يمكن للأشخاص الاستمرار في ترتيب تنبؤات النماذج حتى يكون لديهم مجموعة من القيم التي تظهر الميزات الأكثر أهمية وأقلها لتوليد تنبؤات دقيقة. يمكن لعلماء البيانات أيضًا استخدام أهمية ميزة التقليب لتصحيح نماذجهم والحصول على رؤى أفضل حول الأداء العام. 

يجب على عالم البيانات الجيد دائمًا استكشف التفاصيل التي يقدمها النموذج لهم والتشكيك في الاستنتاجات المرتبطة بها. تعلم العديد من المهنيين هذه العقلية في المدرسة الابتدائية ضمن مناهج STEM. يعد التقليب جانبًا ضروريًا من تنبؤات الشبكة العصبية لأنه يشكل المعلومات التي يقدمها النموذج أو لا يوفرها. يساعد الإلمام بالتبديلات علماء البيانات على بناء وتعديل النماذج التي يريدها ويتوقعها أصحاب العمل أو العملاء. 

ضع في اعتبارك حالة تحتاج فيها الشركة إلى نموذج شبكة عصبية يتعلق بكيفية نقر العملاء على مواقع الويب. قد يرغب صانع القرار في الحصول على معلومات حول عدد العملاء الذين يسلكون طرقًا معينة عبر الموقع. يجب أن يحسب النموذج التباديل. 

من ناحية أخرى ، قد يرغب شخص ما يطلب نموذج التعلم الآلي في معرفة الأشخاص الذين يزورون مجموعات معينة من الصفحات على الموقع. مثل هذه الرؤى تتعلق بالتركيبات بدلاً من التباديل. يساعد تضييق المعلومات التي يريدها الشخص من نموذج الشبكة العصبية على تحديد النوع الذي يجب استخدامه وإلى أي مدى تؤثر التباديل فيه. 

بالإضافة إلى ذلك ، ستعطي الشبكة العصبية أفضل النتائج عندما يكون ملف تحتوي مجموعة بيانات التدريب على المعلومات ذات الصلة على الأسئلة التي يريد الناس الإجابة عليها. مهندسو التعلم الآلي في Google هم أيضًا العمل على ما يسمى التقليب الثابت وكلاء الشبكة العصبية. عندما يتلقى كل من الخلايا العصبية الحسية للعامل مدخلات من البيئة ، فإنه يكتشف المعنى والسياق في الوقت الحالي. 

هذا على النقيض من افتراض معنى ثابت. تشير الأبحاث إلى أن عوامل الشبكة العصبية غير المتغيرة تعمل بشكل جيد حتى عندما تحتوي النماذج على معلومات زائدة عن الحاجة أو مزعجة. 

هذه فقط بعض الأسباب التي تجعل التقليب يلعب دورًا حيويًا في تمكين الشبكات العصبية من إظهار أفضل أداء ممكن للتطبيق المحدد. يسمح فهم تأثيرات التقليب لعلماء البيانات ببناء النماذج والعمل معها للحصول على نتائج أفضل.
 
 
أبريل ميلر مدير تحرير تكنولوجيا المستهلك في إعادة الاختراق مجلة. لديها سجل حافل في إنشاء محتوى عالي الجودة يقود حركة المرور إلى المنشورات التي أعمل معها.
 

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
• المصدر https://www.kdnuggets.com/2022/12/importance-permutation-neural-network-predictions.html?utm_source=rss&utm_medium=rss&utm_campaign=the-importance-of-permutation-in-neural-network-predictions