خدعة النواة

تستخدم العديد من الخوارزميات الأمثلة من خلال المنتجات الداخلية. تحسب دالة kernel التشابه الذي يتوافق مع منتج داخلي في بعض مساحة الميزات. إذا كان من الممكن كتابة خوارزمية باستخدام المنتجات الداخلية الزوجية فقط، فيمكن استبدال هذه المنتجات بتقييمات النواة. تتصرف الخوارزمية بعد ذلك كما لو تم تعيين كل إدخال في مساحة الميزة تلك، حتى عندما لا يتم إنشاء الإحداثيات المحولة بشكل صريح. هذه هي خدعة النواة. تعد آلات ناقل الدعم مثالًا معروفًا. يقوم SVM الخطي بإنشاء حدود مسطحة في تمثيل الإدخال الخاص به. باستخدام نواة غير خطية صالحة، يمكن لنفس التحسين أن يشكل حدودًا غير خطية في مساحة الإدخال الأصلية. يمكن أن تمثل النواة متعددة الحدود تفاعلات تصل إلى الدرجة المختارة، في حين أن نواة دالة الأساس الشعاعي تعطي تشابهًا يتناقص مع المسافة. تغير هذه الاختيارات مدى مرونة سطح القرار. لا تجعل النواة النموذج دقيقًا تلقائيًا. النواة البسيطة جدًا قد لا تكون ملائمة؛ واحد مرن للغاية قد يناسب الضوضاء. يعد قياس المدخلات مهمًا لأن أوجه التشابه القائمة على المسافة تعتمد على أحجام الميزات. تتحكم المعلمات الفائقة مثل عرض RBF في مدى سرعة سقوط التشابه مع المسافة. حدد الإعدادات باستخدام بيانات التدريب والتحقق من الصحة وقم بتقييم الأداء النهائي على البيانات التي لم توجه تلك الاختيارات. المقايضة الحسابية مهمة أيضًا. غالبًا ما تقوم طرق Kernel بتخزين أو حساب أوجه التشابه بين العديد من أزواج الأمثلة. تنمو المصفوفة الكاملة بشكل تربيعي مع عدد أمثلة التدريب، والتي يمكن أن تصبح مكلفة في الذاكرة والوقت. بالنسبة لمجموعات البيانات الكبيرة، قد تكون خرائط المعالم الواضحة أو التقديرات التقريبية أو النماذج الخطية أو الأساليب الأخرى أكثر عملية. يجب أن تستوفي النواة شروط الصلاحية الرياضية لطرق التحسين القياسية، وعادة ما تكون مصفوفة الجرام المتماثلة موجبة شبه محددة لكل مجموعة محدودة من المدخلات. درجات التشابه التعسفية ليست بالضرورة حبات صالحة. تتجنب الحيلة التعداد الصريح لمساحة ميزات كبيرة محتملة، لكنها لا تلغي العمليات الحسابية: يمكن أن يكون تقييم النواة الزوجية هو التكلفة السائدة.