التصنيف مقابل الانحدار: نهجان أساسيان في التعلم الخاضع للإشراف

في الذكاء الاصطناعي، يتيح التعلم الخاضع للإشراف للآلة التعلم من بيانات مُعلَّمة. وتهيمن على هذا المجال مهمتان رئيسيتان: التصنيف والانحدار. يساعد فهم الاختلافات بينهما في اختيار الطريقة المناسبة لحل مشكلة حقيقية، سواء كان ذلك للتنبؤ بسعر أو اكتشاف البريد المزعج.

ما هو الانحدار؟

يهدف الانحدار إلى التنبؤ بقيمة رقمية مستمرة. يتعلم النموذج من الأمثلة لتقدير مخرج يمكن أن يأخذ أي قيمة ضمن نطاق. على سبيل المثال، يمكن التنبؤ بسعر سيارة بناءً على عمرها ومسافتها المقطوعة وعلامتها التجارية.

• غالبًا ما تكون بيانات الإدخال خصائص رقمية.
• المخرج هو قيمة حقيقية، مثل 25 450 يورو.
• تشمل الخوارزميات الشائعة الانحدار الخطي أو الغابات العشوائية.

ما هو التصنيف؟

يقوم التصنيف بتعيين البيانات إلى فئة منفصلة. يتعلم النموذج التعرف على الفئات المحددة مسبقًا. ومن الأمثلة الكلاسيكية على ذلك تصفية البريد الإلكتروني: سبام أو غير سبام.

• تنتمي المخرجات إلى مجموعة محدودة من التصنيفات.
• نميز بين التصنيف الثنائي (فئتين) والتصنيف متعدد الفئات (عدة فئات).
• من الخوارزميات الشائعة: الانحدار اللوجستي، أشجار القرار، أو الشبكات العصبية.

الاختلافات الأساسية

تشكل طبيعة المخرجات التمييز الرئيسي: مستمرة للانحدار، ومنفصلة للتصنيف. في الانحدار، غالبًا ما يُقاس الخطأ باستخدام مقاييس مثل متوسط الخطأ التربيعي. في التصنيف، تُستخدم الدقة والاستدعاء أو مصفوفة الالتباس. علاوة على ذلك، تتسامح مشكلات الانحدار مع الأخطاء الصغيرة، بينما يتطلب التصنيف تعيينًا صحيحًا للفئة المناسبة.

أمثلة ملموسة لتصور أفضل

لنتخيل تطبيقًا للطقس: يتنبأ الانحدار بدرجة الحرارة الدقيقة غدًا (18,7 °C)، بينما يحدد التصنيف ما إذا كان سيمطر أم لا (نعم/لا). في المالية، يقدّر الانحدار عائد سهم، ويكتشف التصنيف ما إذا كانت المعاملة احتيالية. توضح هذه الأمثلة كيف يمكن لنفس مجموعة البيانات أن تخدم مهمتين مختلفتين حسب الهدف.

كيف تختار بين التصنيف والانحدار؟

ابدأ بتحليل المتغير المستهدف: هل هو رقم أم فئة؟ تحقق أيضًا من توزيع البيانات واختبر عدة نماذج. أحيانًا، يمكن تحويل مشكلة الانحدار إلى تصنيف عن طريق تقسيم القيم (على سبيل المثال، تجميع الأسعار في «منخفض»، «متوسط»، «مرتفع»).

إليك مثال بسيط على الانحدار الخطي باستخدام scikit-learn:

from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)

قم بتكييف هذا الكود باستبدال LinearRegression بـ LogisticRegression لمهمة تصنيف.

الخاتمة

يشكّل التصنيف والانحدار أساس التعلم الخاضع للإشراف. ومن خلال إتقان خصائصهما والتدرب على أمثلة واقعية، ستتمكن من اختيار وتدريب النموذج المناسب لمشاريع الذكاء الاصطناعي الخاصة بك. جرّب على مجموعات بيانات عامة لترسيخ هذه المفاهيم!