المحاضرة 30 : التقييم المتقاطع - طريقة K-Fold - التقييم المتقاطع بإبقاء عينة واحدة
HTML-код
- Опубликовано: 10 янв 2025
- في المحاضرة الثلاثون، سنتعرف على تقنية التقييم المتقاطع وطرقها المختلفة لتقييم أداء النماذج التعلم الآلي. سنركز على طريقة K-Fold والتقييم المتقاطع بإبقاء عينة واحدة (Leave-one-out cross validation). خلال هذه المحاضرة، سنشرح كيفية استخدام التقييم المتقاطع لتقييم الأداء بشكل أكثر دقة وشمولية. سنستعرض طريقة K-Fold التي تقسم المجموعة إلى مجموعات فرعية للتدريب والاختبار بشكل متكرر، وسنستعرض أيضًا التقييم المتقاطع بإبقاء عينة واحدة (LOOCV) التي تقوم بتدريب النموذج على جميع العينات باستثناء عينة واحدة.
ستتعلم في هذه المحاضرة كيفية تنفيذ التقييم المتقاطع باستخدام طريقة K-Fold وLOOCV وكيفية تحليل نتائج التقييم. سيساعدك هذا على اختيار النموذج الأفضل وفهم قدراته بشكل أفضل. انضم إلينا في هذه المحاضرة لاستكشاف تقنيات التقييم المتقاطع وتطوير مهاراتك في تحسين أداء النماذج التعلم الآلي.
في المحاضرة الثلاثون، سنتعرف على تقنية التقييم المتقاطع وطرقها المختلفة لتقييم أداء النماذج التعلم الآلي. سنركز على طريقة K-Fold والتقييم المتقاطع بإبقاء عينة واحدة (Leave-one-out cross validation). خلال هذه المحاضرة، سنشرح كيفية استخدام التقييم المتقاطع لتقييم الأداء بشكل أكثر دقة وشمولية. سنستعرض طريقة K-Fold التي تقسم المجموعة إلى مجموعات فرعية للتدريب والاختبار بشكل متكرر، وسنستعرض أيضًا التقييم المتقاطع بإبقاء عينة واحدة (LOOCV) التي تقوم بتدريب النموذج على جميع العينات باستثناء عينة واحدة.
ستتعلم في هذه المحاضرة كيفية تنفيذ التقييم المتقاطع باستخدام طريقة K-Fold وLOOCV وكيفية تحليل نتائج التقييم. سيساعدك هذا على اختيار النموذج الأفضل وفهم قدراته بشكل أفضل. انضم إلينا في هذه المحاضرة لاستكشاف تقنيات التقييم المتقاطع وتطوير مهاراتك في تحسين أداء النماذج التعلم الآلي.
❤💯
السلام عليكم دكتور مصطفى .. اسال الله ان تكون باحسن حال .. كان عندي سوال بخصوص cross validation .. احنا نقدر نقسم الداتاسيت الى train and test و نعمل cross validation على ال train data ... و ايضا نقدر ناخذ الداتا سيت كامله و نعمل عليها cross validation .. هل الكلام اللي ذكرته صحيح ؟ لان بصراحة لدي التباس في الموضوع .. و اذا كان كلامي صح فاي الطريقتين افضل ؟ و جزاك الله خير الجزاء
Cross-validation for training, the idea is assess the model without the bias if youe model prefer certain data (Certain fold)
+966563954612 واتس