<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "94aa2fc6154252ae30a3f3740299707a",
  "translation_date": "2025-09-03T22:55:17+00:00",
  "source_file": "7-TimeSeries/3-SVR/assignment.md",
  "language_code": "fa"
}
-->
# یک مدل جدید SVR

## دستورالعمل‌ها [^1]

حالا که یک مدل SVR ساخته‌اید، یک مدل جدید با داده‌های تازه بسازید (یکی از [این مجموعه داده‌ها از دانشگاه دوک](http://www2.stat.duke.edu/~mw/ts_data_sets.html) را امتحان کنید). کار خود را در یک نوت‌بوک مستند کنید، داده‌ها و مدل خود را بصری‌سازی کنید و دقت آن را با استفاده از نمودارهای مناسب و MAPE آزمایش کنید. همچنین سعی کنید مقادیر مختلف هایپرپارامترها را تغییر دهید و از مقادیر متفاوت برای تایم‌استپ‌ها استفاده کنید.

## معیار ارزیابی [^1]

| معیار      | عالی                                                         | قابل قبول                                              | نیاز به بهبود                     |
| ---------- | ------------------------------------------------------------ | ------------------------------------------------------ | ---------------------------------- |
|            | یک نوت‌بوک ارائه شده که شامل ساخت، آزمایش و توضیح مدل SVR با بصری‌سازی‌ها و بیان دقت است. | نوت‌بوک ارائه شده مستند نشده یا دارای اشکالاتی است.    | یک نوت‌بوک ناقص ارائه شده است.    |


[^1]: متن این بخش بر اساس [تکلیف ARIMA](https://github.com/microsoft/ML-For-Beginners/tree/main/7-TimeSeries/2-ARIMA/assignment.md) نوشته شده است.

---

**سلب مسئولیت**:  
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما برای دقت تلاش می‌کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه انسانی حرفه‌ای استفاده کنید. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.