K-Fold Cross Validation - Intro to Machine Learning Udacity English Arabic

K-Fold Cross Validation - Intro to Machine LearningYouTube↗ IA↗(long shot)
Education 192.8K views 826 likes 64 dislikes 23 Feb 2015

Udacity 651K subscribers United States YouTube↗

Click to Play Video

So Katie, you told everybody about training and

إذًا يا كاتي، حدَّثتِ الجميع عن مجموعات التدريب

test sets, and I hope people exercise it quite a bit.

والاختبار، وآمل أن يتدرب الناس على ذلك قليلًا.

Is that correct? >> Yes, that's right.

هل هذا صحيح؟ >>نعم، ذلك صحيح.

>> So now I'm going to talk about something that slightly generalizes this

>> إذًا سأتحدث الآن عن شيء يعمِّم هذه القاعدة،

called cross validation.

يُسمى "التحقق التبادلي".

And to get into cross validation, let's first talk about problems with

ولكي نبدأ بتناول التحقق التبادلي، فلنتحدث أولًا عن المشاكل التي تحدث

splitting a data set into training and testing data.

مع تقسيم مجموعة بيانات إلى بيانات تدريب وبيانات اختبار.

Suppose this is your data.

افترضوا هذا في بياناتكم.

By doing what Katie told you,

حين تفعلون ما أخبرتكم به كاتي،

you now have to say what fraction of data is testing and what is training.

فسيكون عليكم الآن أن تقولوا أيّ بيانات هي بيانات اختبار وأيّها بيانات تدريب.

And the dilemma you're running into is you like to maximize both of the sets.

والمعضلة التي ستمرّون بها هي أنكم تريدون زيادة كلتا المجموعتين إلى الحد الأدنى.

You want to have as many data points in the training sets to

أنتم ترغبون في الحصول على نفس الكمّ الكبير من نقاط البيانات الموجود في مجموعات التدريب

get the best learning results, and you want the maximum number of data items in

للحصول على أفضل نتائج للتعلُّم، وتريدون أقصى عدد ممكن من عناصر البيانات

your test set to get the best validation.

في مجموعتكم المثلى لتحقيق أفضل تحقق.

But obviously, there's an inherent trade-off here, which is every data point you

لكن نقول بوضوح إن هناك عيب متأصل هنا؛ وهو أن كل نقطة بيانات

take out of the training set into the test is lost for the training set.

تستخلصونها من مجموعة التدريب إلى الاختبار تخسرونها في مجموعة التدريب.

So we had to reset this trade-off.

إذًا علينا إعادة تعيين هذا العيب،

And this is where cross validation comes into the picture.

وهذا هو ما يمنح التحقق التبادلي أهميته في المشهد.

The basic idea is that you partition the data set into k bins of equal size.

الفكرة الأساسية هي أنكم تقسِّمون مجموعة البيانات إلى سلال k متساوية الحجم.

So example, if you have 200 data points.

إذًا، على سبيل المثال، إذا كانت لديكم 200 نقطة بيانات

And you have ten bins.

ولديكم 10 سلال

فلتجيبوا بسرعة شديدة:

What's the number of data points per bin?

ما عدد نقاط البيانات لكل سلة؟

Quite obviously, it's 20.

من الواضح جدًا أنه 20.

So you will have 20 data points in each of the 10 bins.

إذًا سيكون لديكم 20 نقطة بيانات في كلٍ من السلال العشر.

So here's the picture.

إذًا ها هي الصورة.

Whereas in the work that Katie showed you, you just pick one of those bins as

بينما في العمل الذي عرضته عليكم كاتي التقطتم إحدى هذه التلال

a testing bin and the other then as a training bin.

كسلة اختبار ثم التقطتم الأخرى كسلة تدريب،

In k-fold cross validation, you run k separate learning experiments.

ففي تحقق k التبادلي المطويّ تشغِّلون تجارب k تعليمية منفصلة.

In each of those, you pick one of those k subsets as your testing set.

في كلتا هاتين الحالتين، تلتقطون إحدى مجموعات k الفرعية تلك كمجموعة التدريب الخاصة بكم.

The remaining k minus one bins are put together into the training set,

توضع سلال k-1 المتبقية معًا في مجموعة التدريب،

then you train your machine learning algorithm and

ثم تمارسون خوارزمية التعلُّم الآلي لديكم.

just like before, you'll test the performance on the testing set.

وتمامًا كما حدث بالسابق، ستختبرون الأداء على مجموعة الاختبار.

The key thing in cross validation is you run this multiple times.

الشيء الأساسي في التحقق التبادلي أنكم تشغِّلون هذا لمرات متعددة،

In this case ten times, and then you average the ten different testing set

وهي عشر مرات في هذه الحالة، ثم تقيسون نسبة أداءات مجموعات الاختبار العشر المختلفة

performances for the ten different hold out sets, so

للمجموعات إلى المجموعات العشر المواجِهة المختلفة؛

you average the test results from those k experiments.

وبالتالي تقيسون متوسط نتائج الاختبار من تجارب k.

So obviously, this takes more compute time because you now have to run

إذًا نقول بوضوح إن هذا يستغرق وقت حساب أكبر، لأن عليكم الآن أن تشغِّلوا

k separate learning experiments, but

تجارب k التعليمية المنفصلة؛

the assessment of the learning algorithm will be more accurate.

لكن تقييم خوارزمية التعليم سيكون أكثر دقة.

And in a way, you've kind of used all your data for

وبشكل ما قد استخدمتم جميع بياناتكم الخاصة بالتدريب

training and all your data for testing, which is kind of cool.

وجميع بياناتكم الخاصة بالاختبار، وهذا رائع إلى حدٍ ما.

Say we just ask one question.

لنقُل إننا نسأل سؤالًا واحدًا.

Suppose you have a choice to do the static train test methodology that Katie

افترضوا أن لديكم خيار أداء المنهجية الإحصائية لاختبار التدريب التي حدَّثتكم

told you about, or you do say 10-fold cross validation, C.V., and

عنها كاتي، أو لنقُل إنكم أجريتم تحقق تبادلي 10 أضعاف وسيرة ذاتية

you really care about minimizing training time.

وتهتمون فعليًا بتقليل وقت التدريب إلى الحد الأدنى.

Minimize run time after training using your machine learning algorithm

قلِّلوا وقت الركض بعد التمرين إلى الحد الأدنى باستخدام خوارزمية التعلُّم الآلي لديكم

to output past the training time and maximize accuracy.

لإخراج تاريخ وقت التدريب وزيادة الدقة إلى حدها الأقصى.

In each of these three situations, you might pick either train/test or

في كلٍ من هذه المواقف الثلاثة، ربما تلتقطون التدريب/الاختبار

10-fold cross validation.

أو تحقق تبادلي 10 أضعاف.

Give me your best guess.

أخبروني بأفضل تخميناتكم؛

Which one would you pick?

أيّ هذين الشيئين ستلتقطون؟

So for each minimum training time,

إذًا، بالنسبة لكل وقت أدنى للتدريب،

pick one of the two over here on the right side.

التقطوا واحدًا من الاثنين الموجودين هنا على الجانب الأيمن.

Similar videos:

Prerequisites
Udacity
80.5K views 158 likes 10 dislikes 23 Feb 2015100% match

Introduction Part II
Udacity
90.9K views 164 likes 12 dislikes 23 Feb 2015100% match

Kernel Trick
Udacity
64.7K views 161 likes 102 dislikes 23 Feb 2015100% match

Normalizing 1 - Intro to Machine Learning
Udacity
54.7K views 4 likes 0 dislikes 23 Feb 2015100% match

Classification By Eye Solution - Intro to Machine Learning
Udacity
55.7K views 28 likes 0 dislikes 23 Feb 2015100% match

Kernel and Gamma - Intro to Machine Learning
Udacity
39.6K views 28 likes 5 dislikes 23 Feb 2015100% match

Supervised Classification Example - Intro to Machine Learning
Udacity
69.3K views 61 likes 3 dislikes 23 Feb 2015100% match

Multiple Linear Questions - Intro to Machine Learning
Udacity
31.4K views 10 likes 1 dislikes 23 Feb 2015100% match

Scatterplots to Predictions 2 - Intro to Machine Learning
Udacity
102K views 11 likes 0 dislikes 23 Feb 2015100% match

Scatterplots to Predictions 2 - Intro to Machine Learning
Udacity
34.5K views 11 likes 1 dislikes 23 Feb 2015100% match

SVMs and Tricky Data Distributions - Intro to Machine Learning
Udacity
38.4K views 9 likes 1 dislikes 23 Feb 2015100% match

SVM Response to Outliers - Intro to Machine Learning
Udacity
38.4K views 10 likes 2 dislikes 23 Feb 2015100% match

Gaussian NB Example
Udacity
50.3K views 80 likes 19 dislikes 23 Feb 2015100% match

SVM Outlier Practice - Intro to Machine Learning
Udacity
37.6K views 9 likes 3 dislikes 23 Feb 2015100% match

Overfitting - Intro to Machine Learning
Udacity
43.6K views 46 likes 10 dislikes 23 Feb 201573% match

Normalizing 2 - Intro to Machine Learning
Udacity
48.4K views 7 likes 4 dislikes 23 Feb 201573% match

Normalizing 3 - Intro to Machine Learning
Udacity
44.6K views 2 likes 8 dislikes 23 Feb 201573% match

Solution - Intro to Machine Learning
Udacity
74.3K views 146 likes 0 dislikes 23 Feb 201573% match

Quiz - Intro to Machine Learning
Udacity
132.5K views 107 likes 5 dislikes 23 Feb 201573% match

Scatterplots to Predictions - Intro to Machine Learning
Udacity
82K views 22 likes 1 dislikes 23 Feb 201569% match

Cancer Test - Intro to Machine Learning
Udacity
51.2K views 28 likes 6 dislikes 23 Feb 201569% match

Total Probability - Intro to Machine Learning
Udacity
44.9K views 1 likes 5 dislikes 23 Feb 201569% match

Prior and Posterior - Intro to Machine Learning
Udacity
68.8K views 44 likes 19 dislikes 23 Feb 201569% match

SVM C Parameter - Intro to Machine Learning
Udacity
54.2K views 88 likes 16 dislikes 23 Feb 201569% match

Posterior Probabilities - Intro to Machine Learning
Udacity
49.1K views 6 likes 0 dislikes 23 Feb 201569% match

Chris or Sara - Intro to Machine Learning
Udacity
46.7K views 3 likes 1 dislikes 23 Feb 201569% match

Bag of Words - Intro to Machine Learning
Udacity
50.5K views 88 likes 63 dislikes 23 Feb 201569% match

Speed Scatterplot 3 - Intro to Machine Learning
Udacity
81.8K views 12 likes 3 dislikes 23 Feb 201569% match

Speed Scatterplot 2 - Intro to Machine Learning
Udacity
107.5K views 12 likes 0 dislikes 23 Feb 201569% match

Speed Scatterplot: Grade and Bumpiness - Intro to Machine Learning
Udacity
94.6K views 37 likes 3 dislikes 23 Feb 201561% match

Settings Privacy About Contact Donate