تحسين أداء خوارزميات التصنيف باستخدام التحقق المتقاطع بتقسيم k

التعلم الموجه هو طريقة تنبؤية تُستخدم لإجراء التنبؤات أو التصنيفات. تعمل خوارزميات التعلم الموجه عبر بناء نموذج باستخدام بيانات التدريب التي تتضمن كلًا من المتغيرات المستقلة والتابعة. توجد عدة طرق لبناء التصنيف مثل الانحدار اللوجستي، نايف بايز، أقرب الجيران (KNN)، شجرة القرار، وغيرها. نقص قدرة خوارزمية التصنيف على تعميم بيانات معينة يمكن أن يرتبط بمشكلة الإفراط في التكيّف (overfitting) أو عدم التكيّف الكافي (underfitting). التحقق المتقاطع بتقسيم k هو طريقة تساعد في تجنب الإفراط في التكيّف أو عدمه وإنتاج خوارزمية ذات أداء جيد على بيانات جديدة. ستختبر هذه الدراسة طرق نايف بايز، أقرب الجيران (KNN)، شجرة التصنيف والانحدار (CART)، والانحدار اللوجستي مع التحقق المتقاطع بتقسيم k على مجموعتي بيانات مختلفتين. قيم k المستخدمة هي 2، 3، 5، 7، و10. خلصت نتائج التحليل إلى أن كل خوارزمية تصنيف أدت أفضل أداء عند التحقق المتقاطع بتقسيم 10. في مجموعة البيانات 1، حققت خوارزمية نايف بايز أعلى متوسط دقة بنسبة 0.67 (67%) ومعدل خطأ 0.33 (33%)، تلتها خوارزمية CART، ثم KNN، وأخيراً الانحدار اللوجستي. أما في مجموعة البيانات 2، فقد حققت خوارزمية KNN أعلى متوسط دقة 0.66 (66%) ومعدل خطأ 0.34 (34%)، تلتها خوارزمية CART، نايف بايز، وأخيراً الانحدار اللوجستي.