مرجع
آخر الزيارات

التحيز الاستقرائي

504 كلمة•0 مشاهدة•🗒️ منذ يومين
باختصار: التحيز الاستقرائي (المعروف كذلك باسم تحيز التعلم ) لخوارزمية التعلم هو مجموعة من الافتراضات التي يستعملها المتعلم للتنبؤ بالمخرجات التي سيحصل عليها لمدخلات لم يواجهها من قبل. تتناول المقالة قسمين هما «تحرك التحيز» و«الأصناف».
المحتويات
  1. تحرك التحيز
  2. الأصناف

على سبيل التعريف، التحيز الاستقرائي (المعروف كذلك باسم تحيز التعلم ) لخوارزمية التعلم هو مجموعة من الافتراضات التي يستعملها المتعلم للتنبؤ بالمخرجات التي سيحصل عليها لمدخلات لم يواجهها من قبل. وتعرض الأقسام التالية جوانب أخرى من الموضوع.

من جهة ثانية، في التعلم الآلي ، يتم الاتجاه إلى إنشاء خوارزميات قادرة على تعلم التنبؤ وفق نتيجة معينة. ولتحقيق ذلك، تقدم لخوارزمية التعلم بعض الأمثلة التدريبية التي توضح العلاقة المقصودة بين قيم المدخلات والمخرجات. فيما بعد، يُفترض من المتعلم تقريب الناتج الصحيح، حتى بالنسبة للأمثلة التي لم يطلع عليها أثناء التدريب. لكن ودون افتراضات إضافية، لن يكون من الممكن حل هذه المشكلة تمامًا لأن الحالات غير المرئية قد يكون لها ناتج اعتباطي. يندرج صنف الافتراضات اللازمة حول طبيعة الدالة المستهدفة للحصول على الناتج الصحيح بعبارة التحيز الاستقرائي.

ومن ناحية أخرى، تستند مقاربات التعريف الأكثر رسمية للتحيز الاستقرائي إلى المنطق الرياضي . التحيز الاستقرائي هنا هو صيغة منطقية تتضمن مع بيانات التدريب الفرضية التي يولدها المتعلم. ومع ذلك، فإن هذه القواعد تفشل في الكثير من الحالات العملية، حيث لا يمكن إعطاء التحيز الاستقرائي إلا وصفًا تقريبيًا (مثلًا في حالة الشبكات العصبية الاصطناعية) ، أو قد يتعذر وصفها تماماً.

ومن جهة أخرى، يعد نصل أوكام من الأمثلة الكلاسيكية على التحيز الاستقرائي، بافتراض أن أبسط فرضية ثابتة حول الدالة المستهدفة هي الفرضية الأفضل. وكلمة ثابتة هنا تعني أن فرضية المتعلم تعطي نتائج صحيحة لكل الأمثلة التي أعطيت للخوارزمية (البيانات التدريبية).

تحرك التحيز

في هذا الإطار، على الرغم من أن أغلب خوارزميات التعلم لها تحيز ثابت، إلا أن بعض الخوارزميات مصممة بحيث يتحرك تحيزها بعد أن تحصل على المزيد من البيانات. وفي هذه الحالة لا تكون الخوارزميات بمنأى عن التحيز، لأن عملية تحرك وتغيير التحيز نفسها يجب أن يكون لها تحيز كذلك.

الأصناف

كذلك، الهامش الأقصى : عند رسم حد بين فئتين، حاول تكبير عرض الحد بين الفئتين أي زيادة الهامش بينهما. وهذا النوع من التحيز الاستقرائي مستعمل في شعاع الدعم الآلي . الافتراض سيكون هنا هو أن الفئات المتميزة تميل إلى أن تكون مفصولة بحدود واسعة.

إضافةً إلى ذلك، الاستقلال الشرطي الأقصى : إذا كان من الممكن طرح الفرضية من وجهة نظر مبرهنة بايز، فاللجوء إلى تضخيم الاستقلال الشرطي سيمثل هنا التحيز الاستقرائي. ومثال على ذلك المصنف البايزي الساذج (Naive Bays Classifier).

وفي هذا الصدد، الجيران الأقرب: افترض أن أغلب الحالات المتواجدة في نطاق صغير ضمن فضاء الميزات تنتمي إلى نفس الفئة. عند وجود حالة تكون الفئة فيها غير معروفة، خمن أنها تنتمي إلى نفس الفئة التي تنتمي إليها أغلبية الحالات في المنطقة المجاورة الأقرب لها. هذا هو التحيز المستعمل في الجيران الأقرب في التعلم الآلي . الافتراض هو أن الحالات القريبة من بعضها البعض تميل إلى الانتماء إلى نفس الفئة.

وفي هذا السياق، الحد الأدنى من الميزات: ما لم يكن هناك دليل جيد على أن الميزة مفيدة، فيجب حذفها. هذا الافتراض يرتبط بخوارزميات اختيار الميزات .

من جانب آخر، الحد الأدنى لخطأ التصديق المتقاطع : عند محاولة الاختيار بين الفرضيات المختلفة، حدد الفرضية ذات مستوى الخطأ الأدنى في اختبارات التصديق المتقاطع. رغم أن التصديق المتقاطع قد يبدو خاليًا من التحيز، إلا أن نظرية «لا غداء مجاني» تظهر أن التصديق المتقاطع لابد أن يكون منحازاً كذلك.

ومن ناحية أخرى، فيما يلي قائمة بالتحيزات الاستقرائية الشائعة في خوارزميات التعلم الآلي.

كذلك، الحد الأدنى لوصف الفرضية: عند تكوين الفرضية، حاول تقليل وصف الفرضية. حيث أن الفرضيات الأكثر بساطة من المرجح أن تكون هي الأصح. انظر لنصل أوكام.

ما رأيك في هذه المقالة؟

📝 هل في هذه المقالة خطأ؟

إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.