التصنيف مقابل الانحدار: نهجان أساسيان في الذكاء الاصطناعي

في الذكاء الاصطناعي، تتكرر مهمتان باستمرار في التعلم الخاضع للإشراف: التصنيف والانحدار. تتيح هاتان التقنيتان للنموذج التعلم من بيانات مُعَلَّمة، لكنهما تلبيان احتياجات مختلفة للغاية. ويُعد فهم الاختلافات بينهما أمرًا ضروريًا لاختيار النهج الصحيح حسب مشروعك.

الانحدار: التنبؤ بقيم مستمرة

يهدف الانحدار إلى تقدير قيمة رقمية دقيقة. يتعلم النموذج من أمثلة تكون فيها المخرجات كمية قابلة للقياس، مثل سعر أو درجة حرارة أو وزن. والهدف هو تقليل الفرق بين القيمة المتوقعة والقيمة الحقيقية.

• التنبؤ بسعر منزل بناءً على مساحته وموقعه.
• تقدير استهلاك الكهرباء لمبنى بناءً على الطقس.
• توقع عدد مبيعات منتج في الشهر القادم.

التصنيف: تعيين الفئات

أما التصنيف فيتمثل في وضع البيانات ضمن فئة أو صنف منفصل. يتعلم النموذج التعرف على مجموعات مثل « spam » أو « non spam »، « chien » أو « chat ». وبالتالي تكون المخرجات نوعية وليست رقمية.

• اكتشاف ما إذا كان البريد الإلكتروني احتياليًا أم لا.
• تحديد مرض المريض من أعراضه.
• تصنيف صور الفواكه إلى « pomme »، « banane » أو « orange ».

الاختلافات الأساسية

تشكّل طبيعة المخرج الاختلاف الرئيسي: مستمرة في الانحدار، ومنفصلة في التصنيف. كما تتغير مقاييس التقييم أيضًا. يُستخدم متوسط الخطأ التربيعي للانحدار، بينما تُفضَّل الدقة أو الضبط أو الاسترجاع في التصنيف. وأخيرًا، تختلف الخوارزميات المناسبة: الانحدار الخطي أو الغابات العشوائية للقيم المستمرة، والانحدار اللوجستي أو SVM للفئات.

أمثلة عملية مع الكود

لنتخيل مثالاً صغيراً في بايثون باستخدام scikit-learn. إليك كيفية تدريب نموذج انحدار بسيط:

from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)  # y_train تحتوي على الأسعار

بالنسبة للتصنيف، سنستبدل LinearRegression بـ LogisticRegression وستحتوي التسميات y_train على فئات مثل 0 أو 1.

كيف تختار بين الاثنين؟

انظر أولاً إلى طبيعة متغيرك المستهدف: إذا كان رقماً قابلاً للقياس، فاختر الانحدار. أما إذا كان تسمية أو فئة، فاختر التصنيف. اختبر أيضاً توزيع البيانات وكمية الأمثلة المتاحة. نصيحة مفيدة: ابدأ دائماً بصياغة المشكلة التجارية بوضوح قبل كتابة أي كود.

باختصار، يُعدّ التصنيف والانحدار الركيزتين الأساسيتين للتعلم الخاضع للإشراف. إتقان الفرق بينهما سيساعدك على بناء نماذج أكثر ملاءمة وفعالية. لا تتردد في التجربة على مجموعات بيانات بسيطة لترسيخ هذه المفاهيم. والخطوة التالية؟ استكشاف الخوارزميات المتقدمة التي تجمع أحياناً بين هذين المجالين.