الرئيسيةالدوراتالمصنِّفات الخطية في Python

فهم ظاهرة الإفراط في الملاءمة

الفصل 2 · التطبيق العملي للانحدار اللوجستي وآلات المتجهات الداعمة · الدرس 5 من 46
متاحة للمشتركين فقط — إليك بدايتها
فرط التخصيص: أيٌّ من الحالات التالية يشبه حالة فرط التخصيص؟ أجب عن السؤال 0XP الإجابات المحتملة اختر إجابة واحدة فقط دقة التدريب 50 %، دقة الاختبار 50 %. اكتب1 دقة التدريب 95 %، دقة الاختبار 95 %. اكتب2 دقة التدريب 95 %، دقة الاختبار 50 %. اكتب3 دقة التدريب 50 %، دقة الاختبار 95 %. اكتب4 تلميح: فرط التخصيص يعني أن نموذجك يؤدي أداءً ممتازًا على بيانات التدريب، دون أن يعمّم بالضرورة بشكل جيد على بيانات لم تُرَ من قبل (بيانات الاختبار).
متابعة هذا الدرس متاحة للمشتركين فقط أنشئ حسابك المجاني لتجربة التمارين التوضيحية، ثم انتقل إلى الوصول الكامل متى شئت.

أنشئ حسابك المجاني

بدون بطاقة بنكية، في ثلاثين ثانية.
المتابعة باستخدام Google
أو
التسجيل بالبريد الإلكتروني
لديك حساب بالفعل؟ تسجيل الدخول
بمتابعتك، فإنك توافق على شروط الاستخدام وسياسة الخصوصية. تُستضاف بياناتك داخل الاتحاد الأوروبي.

الوصول الكامل إلى DATAGOZ

19 €/ شهريًا — أو 190 € / سنويًا
  • جميع الدورات المنشورة والمسارات المهنية
  • تمارين واختبارات قصيرة مصحَّحة تلقائيًا
  • تدريب وامتحان وشهادة متابعة
  • بدون التزام، ويمكن الإلغاء عبر الإنترنت
عرض الصيغ
هذا الدرس جزء من الدورة

المصنِّفات الخطية بلغة Python

short_training6 فصول · 46 درسًا
  • منصة التدريبمشتركون
  • مراجعة أساسيات scikit-learnالمشتركون
  • اكتشاف تصنيف KNNللمشتركين
  • مقارنة أداء النماذجللمشتركين
  • فهم الإفراط في الملاءمةأنت هنا
  • تطبيق الانحدار اللوجستي وآلات متجهات الدعمللمشتركين
  • استخدام LogisticRegression و SVCمشترك
  • إجراء تحليل للمشاعر على مراجعات الأفلاممشترك
  • فهم المصنِّفات الخطيةمشترك
  • تحديد حدود القرار الخطيةمشترك
  • تصوير حدود القرارمشترك
  • دراسة معاملات المصنِّفات الخطيةمشترك
  • فهم كيفية إنتاج النماذج لتنبؤاتهامشترك
  • تعديل معاملات نموذجمشترك
  • اكتشاف مفهوم دالة الخسارةمشترك
  • فهم دالة الخسارة 0-1مشترك
  • تعلُّم تصغير دالة الخسارةمشترك
  • تصوّر دوال الخسارة المختلفةمشترك
  • استكشاف دوال الخسارة في التصنيفمشترك
  • مقارنة دالتي الخسارة اللوجستية وHingeمشترك
  • تنفيذ نموذج الانحدار اللوجستيمشترك
  • فهم التنظيم (Régularisation) في الانحدار اللوجستيمشتركون
  • تطبيق الانحدار اللوجستي المنتظَممشتركون
  • استخدام الانحدار اللوجستي لاختيار المتغيراتمشتركون
  • تحديد الكلمات الأكثر إيجابية والأكثر سلبيةمشتركون
  • فهم الاحتمالات في الانحدار اللوجستيمشتركون
  • استخراج احتمالات الانتماء إلى الفئاتمشتركون
  • دراسة تأثير التنظيم على الاحتمالاتمشتركون
  • تصوّر أمثلة تصنيف بسيطة ومعقدةمشتركون
  • اكتشاف الانحدار اللوجستي متعدد الفئاتمشتركون
  • تحديد عدد المعاملاتمشتركون
  • ضبط نموذج الانحدار اللوجستي متعدد الفئاتمشتركون
  • تصوّر نتائج الانحدار اللوجستي متعدد الفئاتمشتركون
  • تطبيق استراتيجية SVM واحد-ضد-الكلمشترك
  • فهم المتجهات الداعمةمشترك
  • تحديد المتجهات الداعمةمشترك
  • دراسة أثر إزالة بعض الملاحظاتمشترك
  • اكتشاف SVM ذات النواةمشترك
  • البدء باستخدام GridSearchCVمشترك
  • تحسين معلمتي gamma وC معًا باستخدام GridSearchCVمشترك
  • مقارنة الانحدار اللوجستي وSVM وطرق أخرىمشترك
  • تحديد مزايا SVMمشترك
  • تحديد مزايا الانحدار اللوجستيمشترك
  • استخدام نموذج SGDClassifierمشترك
  • للختاممشتركون
  • خاتمة الدورة التدريبيةمشترِكون
الدرس التالي

تطبيق الانحدار اللوجستي وآلات المتجهات الداعمة (SVM)

عرض البرنامج أنشئ حسابًا للمتابعة