التحليل المقارن وتحسين نماذج التعلم الآلي للتراجع والتصنيف على مجموعات البيانات الجدولية المنظمة

يتناول هذا البحث التحليل المقارن وتحسين نماذج التعلم الآلي لمهام التراجع والتصنيف على مجموعات البيانات الجدولية المنظمة. الجمهور المستهدف الرئيسي لهذا التحليل يتكون من الباحثين والممارسين الذين يعملون مع البيانات الجدولية المنظمة. تشمل المجالات الشائعة علم الإحصاء الحيوي، التأمين، ونمذجة المخاطر المالية، حيث تكون الكفاءة الحاسوبية والأداء التنبؤي القوي أمرًا أساسيًا. تم تطبيق أربع تقنيات من تقنيات التعلم الآلي (أي التراجع الخطي/اللوجستي، آلات دعم المتجهات (SVMs)، تعزيز التدرج الشديد (XGBoost)، والشبكات العصبية متعددة الطبقات (MLPs)) عبر 72 مجموعة بيانات مستمدة من OpenML وKaggle. تنوعت المجموعات بانتظام حسب حجم الملاحظات، الأبعاد، مستويات الضوضاء، الخطية، وتوازن الفئات. استنادًا إلى تحليل تجريبي واسع النطاق (72 مجموعة بيانات × 4 نماذج × 2 تهيئات = 576 تجربة)، تم ملاحظة أن فهم خصائص مجموعة البيانات أكثر أهمية من ضبط معلمات النموذج بشكل موسع لتحقيق الأداء الأمثل. أيضًا، النماذج الخطية كانت قوية عبر إعدادات مختلفة، في حين أن النماذج غير الخطية، مثل XGBoost وMLP، كانت تperform بشكل أفضل في بيئات معقدة وصاخبة. بشكل عام، يقدم هذه الدراسة رؤى قيمة لاختيار النموذج وتقييم الأداء في تطبيقات التعلم الآلي التي تشمل مجموعات البيانات الجدولية المنظمة.