البحث الشبكي (Grid Search) هو مصطلح ظهر في مقالات قرمصيص ويستحق شرحاً مستقلاً. طريقة تجربة كل التركيبات المحددة مسبقاً لمجموعة من المعاملات الفائقة. فهمه يساعدك على قراءة الشروحات ونتائج التجارب من غير خلط بين الاسم ووظيفته الفعلية.
باختصار
طريقة تجربة كل التركيبات المحددة مسبقاً لمجموعة من المعاملات الفائقة.
بالتفصيل
ينشئ الباحث شبكة من القيم مثل العمق ومعدل التعلم، ثم يقيم كل تركيبة غالباً بالتحقق المتقاطع. الطريقة واضحة وقابلة للتكرار لكنها تصبح مكلفة بسرعة كلما زاد عدد المعاملات والقيم.
الفكرة العملية هي النظر إلى مكان المصطلح داخل خط العمل: ما البيانات التي تدخل إليه، وما النتيجة التي ينتجها، وما التكلفة أو الافتراض الذي يضيفه. المقارنة العادلة تحتاج تجربة على بيانات منفصلة ومقياس مناسب، لا الاعتماد على الاسم أو الشهرة وحدهما.
مثال عملي
يمكن تجربة 3 أعماق و4 معدلات تعلم، أي 12 تركيبة، واختيار الأفضل وفق متوسط نتيجة التحقق.
خلي بالك: أفضل نتيجة على شبكة محدودة ليست أفضل إعداد ممكن، وكثرة التجارب قد تزيد التكيف مع مجموعة التحقق.
مصطلحات مرتبطة
Hyperparameter، Cross-validation، Random Search. قراءة هذه المصطلحات معاً توضح العلاقة بين البيانات والتدريب والتقييم والتشغيل.
المصادر: scikit-learn
