وضعت الفصول 001 إلى 003 موقع التعلّم المُوجَّه في تصنيف المجال وميّزت عائلات التعلّم الثلاث. ينتقل هذا الفصل من الموقع إلى الآلية: ما تحتويه مشكلة مُوجَّهة، وما تفعله الخوارزمية عندما تضبط نموذجاً، وما نقيسه عندما نقيّمه.
يُعطى التعريف على أربعة مستويات دقة متناقصة. الأربعة تقول الشيء نفسه. يجب إتقان الأول، والثلاثة الأخرى تخدم النقل.
الفضاءات. فضاء المدخلات X (نموذجياً X ⊆ R^d، حيث d هو
عدد المتغيرات التوضيحية) وفضاء المخرجات Y. طبيعة Y
تحدّد نوع المشكلة: Y ⊆ R للـ انحدار (regression)،
Y = {c1, ..., cK} منتهٍ وغير مرتَّب للـ تصنيف (classification).
التوزيع المولِّد. يُفترَض أن أزواج الملاحظة-الوسم
صادرة عن توزيع مشترك P(X, Y)، مجهول ومفترَض ثابت على
الفترة المعنيّة. بدون هذه الفرضية، لا شيء مما يُلاحَظ
يخبر عما لا يُلاحَظ.
فرضية الارتباط. نفترض علاقة بين X و Y،
مصاغة بدالة مجهولة f : X → Y، أو في الحالة العامة حيث
العلاقة مشوَّشة بالقانون الشرطي P(Y | X). النموذج المعتاد
يُكتَب y = f(x) + ε، حيث ε حد عشوائي توقّعه معدوم
يمثّل ما يؤثّر على y دون أن يلتقطه x.
العيّنة. لا نملك لا f ولا P، بل عيّنة منتهية
D = {(x1, y1), (x2, y2), ..., (xn, yn)}, (xi, yi) ~ P(X, Y)من n ملاحظة يُفترَض أنها مستقلة ومتطابقة التوزيع.
المعيار. دالة فقد L : Y × Y → R+ تكمّم الفجوة بين
القيمة المتنبَّأ بها والقيمة الملاحَظة. المخاطر المتوقَّعة لفرضية h هي
R(h) = E[L(y, h(x))]، والتوقّع يمتد على (x, y) ~ P(X, Y). الهدف
النظري هو h* = argmin R(h) على فضاء الفرضيات H، مجموعة
الدوال التي يمكن لصنف النماذج المحتفَظ به تمثيلها.
العقبة وتجاوزها. R(h) غير قابلة للحساب، لأن P
مجهولة. نستبدل بها المخاطر التجريبية (empirical risk)
R̂(h) = (1/n) · Σ L(yi, h(xi)) pour i = 1..nونحل المشكلة المتاحة f̂ = argmin R̂(h) على H. هذا المبدأ هو
تصغير المخاطر التجريبية (Empirical Risk Minimization، ERM)؛ و
يشكّل الأساس الشكلي للتعلّم المُوجَّه.
التعريف الدقيق
المخاطر المتوقَّعة هي توقّع الفقد تحت التوزيع
المولِّد: R(h) = E[L(y, h(x))]. تكمّم أداء h على
مجموع الملاحظات التي يمكن للتوزيع إنتاجها، ملاحَظة أم لا.
المخاطر التجريبية هي متوسط الفقد على العيّنة المتاحة.
وهي مقدِّر بلا انحياز لـ R(h) لفرضية مثبتة مسبقاً.
تصغير المخاطر التجريبية (Vapnik، 1995) يتمثّل في الاحتفاظ
بالفرضية التي تصغّر R̂ على H، بديلاً عن التصغير
غير المتاح لـ R.
نقطة انتباه مركزية
غياب الانحياز يصح لفرضية مثبتة قبل ملاحظة
العيّنة. ما إن تُختار f̂ بتصغير R̂، تصبح
الكمية R̂(f̂) مقدِّراً منحازاً تفاؤلياً لـ R(f̂). هذا
التسويغ الشكلي لفصل البيانات (الفصل 026) و
الأصل الآلي لفرط التخصيص (overfitting، الفصل 031).
ترجمة إلى اللغة اليومية
نريد النموذج الذي يخطئ أقل على كل الحالات الممكنة؛ ولا يمكننا قياس الخطأ إلا على الحالات التي نملكها. فنختار إذن النموذج الذي يخطئ أقل عليها، مع علمنا أن هذه الدرجة مجاملة.
| حد الخطأ | الأصل | رافعة التقليص |
|---|---|---|
| تقريب | أفضل دالة في H تبقى بعيدة عن f | توسيع H: نموذج أكثر تعبيرية، متغيرات إضافية |
| تقدير | n منتهٍ، وR̂ لا يقدّر R إلا بشكل ناقص | زيادة n، تقييد H، تنظيم |
| تحسين | الخوارزمية لا تبلغ بالضبط حد أدنى R̂ | ضبط إجراء التحسين |
| غير قابل للاختزال | الضجيج ε: y غير محدَّد بـ x | لا شيء. يحدّ الأداء القابل للبلوغ |
توسيع H يقلّص خطأ التقريب ويزيد خطأ التقدير.
وهذا التحكيم هو المقايضة انحياز-تباين، المعالَجة في الفصل 031.
يتمثّل التعلّم المُوجَّه في ضبط دالة معلَّمة على مجموعة أمثلة القيمة المراد التنبؤ بها معروفة فيها، بتصغير مقياس فجوة بين القيم المتنبَّأ بها والقيم الملاحَظة، من أجل تطبيق هذه الدالة بعد ذلك على ملاحظات قيمتها مجهولة.
صياغة موجَّهة لوثيقة تصميم. تسمّي العناصر الأربعة الإلزامية: أمثلة موسومة، دالة معلَّمة، مقياس فجوة، تطبيق على المجهول.
نقدّم لخوارزمية عدداً كبيراً من الحالات الماضية مصحوبة بجوابها. تبحث الخوارزمية عن القاعدة التي تربط بأفضل ما يمكن المعلومات المتاحة بالجواب. ثم تُطبَّق هذه القاعدة على حالات جديدة، جوابها غير معروف.
صياغة موجَّهة للجنة إدارة. لا تتضمّن أي تقريب خاطئ؛ وتحذف الشكلية.
القراءة: السهم Y → ALG لا يوجد إلا في طور التدريب. وهو،
وهو وحده، ما يميّز التعلّم المُوجَّه عن غير المُوجَّه
(الفصل 003).
| المستوى | الصياغة | المتلقّي | سياق الاستخدام |
|---|---|---|---|
| 1 | رياضية: f̂ = argmin R̂(h) على H، D ~ P(X,Y) | عالم بيانات، ممتحِن | مقابلة تقنية، مواصفات |
| 2 | تقنية: دالة معلَّمة مضبوطة بتصغير فجوة | مهندس، معماري | وثيقة تصميم |
| 3 | شائعة: حالات ماضية مع جواب، قاعدة مستقرأة، تطبيق على الجديد | إدارة، مجال | لجنة قيادة |
| 4 | رسومية: طوران، سهم فاصل | أي جمهور | مادة عرض |
| الرمز | التسمية |
|---|---|
x، y | متجه المتغيرات التوضيحية، الوسم الملاحَظ |
n، d | عدد الملاحظات، عدد المتغيرات |
P(X, Y) | التوزيع المشترك المولِّد، مجهول |
D | عيّنة التعلّم، n زوجاً |
f، f̂ | العلاقة الحقيقية المجهولة، النموذج المضبوط المحتفَظ به |
ŷ | القيمة المتنبَّأ بها، ŷ = f̂(x) |
H، L | فضاء الفرضيات، دالة الفقد |
R(h)، R̂(h) | المخاطر المتوقَّعة (غير قابلة للحساب)، المخاطر التجريبية |
التعريف الدقيق
يشير التوجيه إلى توفّر، لكل ملاحظة في عيّنة
التعلّم، إشارة مرجعية yi تقابل القيمة التي
يجب أن يتعلّم النموذج إنتاجها. تلعب هذه الإشارة دور موجِّه بمعنى
نظرية التحكّم: توفّر، لكل محاولة، معلومة
الفجوة التي تتيح التصحيح.
الأصل الاصطلاحي
عبارة supervised learning تأتي من أدبيات الشبكات العصبية في الخمسينات والستينات، التي ميّزت الإجراءات التي تملك teacher signal عن تلك الخالية منها. والموجِّه هو الإشارة، لا شخص.
نقطة انتباه
التوجيه خاصية بيانات التدريب، لا نظام تشغيل النظام. يمكن لنموذج مُوجَّه منشور أن يعمل بلا أي تدخّل بشري؛ وبالمقابل، يمكن وضع نظام غير مُوجَّه تحت رقابة بشرية دائمة.
| ما يعنيه «مُوجَّه» | ما لا يعنيه «مُوجَّه» |
|---|---|
| وسم مرجعي لكل ملاحظة تدريب | حضور مشغّل بشري أثناء التنفيذ |
| إشارة خطأ قابلة للحساب عند كل محاولة | مراقبة جودة للتنبؤات في الإنتاج |
| خاصية لطور التعلّم | خاصية للنظام المنشور |
يحضّر طالب امتحاناً انطلاقاً من مجموعة تمارين كل منها مصحوب بحله. لكل تمرين، يقترح جواباً، و يقارنه بالحل، ويلاحظ الفجوة، ويضبط طريقته.
| عنصر التشبيه | العنصر الشكلي |
|---|---|
| نص التمرين | المتجه x |
| حل النموذج | الوسم y |
| الجواب المقترَح | التنبؤ ŷ |
| الفجوة الملاحَظة | الفقد L(y, ŷ) |
| ضبط الطريقة | تحديث المعاملات |
| الامتحان النهائي على نصوص جديدة | التقييم على مجموعة الاختبار |
الحل النموذجي ليس أستاذاً يراقب الطالب أثناء الاختبار: إنه معلومة مرجعية متاحة أثناء التحضير و غير متاحة يوم الامتحان. وهذا بالضبط وضع الوسم. ويحمل التشبيه أيضاً الفشل المميّز: الطالب الذي حفظ الحلول دون اكتساب الطريقة يحصل على درجة كاملة على المجموعة و يفشل في الامتحان. هذه الحالة هي فرط التخصيص.
التعريف الدقيق
البيانات الموسومة زوج (x, y) يربط متجه متغيرات
توضيحية x ∈ X بالقيمة y ∈ Y للمتغير الهدف لهذه
الملاحظة نفسها، وهذه القيمة ملاحَظة أو مقيسة أو منسوبة بإجراء
خارج النموذج.
ترجمة إلى اللغة اليومية
صف جدول يظهر فيه، إضافة إلى المعلومات الوصفية، الجواب الذي نرغب في القدرة على التنبؤ به.
شرط وجود التعلّم المُوجَّه
غياب الوسوم يستبعد المُوجَّه، بلا استثناء. والبدائل عندئذ: تكوين الوسوم (وسم، تجهيز، انتظار سجلّ تاريخي)، إعادة صياغة المشكلة بشكل غير مُوجَّه (الفصل 003)، أو التخلّي.
هل يوجد، في البيانات المتاحة، عمود يحتوي بالضبط على ما نريد التنبؤ به، مرصود للملاحظات الماضية؟
| الإجابة | النتيجة |
|---|---|
| نعم، مرصود وموثوق | المشكلة مُوجَّهة. ينطبق باقي الدورة |
| نعم، لكن مرصود جزئياً أو مشكوك فيه | مشكلة مُوجَّهة بشرط. تصبح جودة الوسوم أول ورشة |
| لا | المشكلة ليست مُوجَّهة في حالتها. يجب خلق الوسم أو تغيير النموذج |
نقطة انتباه: «بالضبط ما نريد التنبؤ به» مطلب صارم. التنبؤ برضا العميل انطلاقاً من عمود «أعاد فتح تذكرة» يعني التنبؤ بإعادة فتح التذكرة، لا بالرضا.
المثال A — كشف الرسائل غير المرغوبة
| مرسل معروف | عدد الروابط | أحرف كبيرة (%) | مرفق | غير مرغوب |
|---|---|---|---|---|
| نعم | 1 | 4 | لا | لا |
| لا | 14 | 62 | نعم | نعم |
| نعم | 0 | 2 | نعم | لا |
| لا | 9 | 48 | لا | نعم |
الأعمدة الأربعة الأولى تشكّل x؛ والعمود الغليظ هو y، بقيم
في {Oui, Non}: تصنيف ثنائي. الوسم صادر عن
فعل المستخدم، بإبلاغ يدوي.
المثال B — صيانة تنبؤية على معدّات مجهَّزة
| اهتزاز (مم/ث) | حرارة (°م) | ساعات منذ المراجعة | دورات/يوم | عطل خلال 7 أيام |
|---|---|---|---|---|
| 2,1 | 64 | 820 | 142 | لا |
| 5,8 | 81 | 2 340 | 168 | نعم |
| 3,4 | 71 | 1 510 | 151 | لا |
| 6,2 | 88 | 2 780 | 174 | نعم |
y ثنائي: تصنيف. الوسم مُعاد بناؤه لاحقاً
من سجلّ التدخّلات: لكل قراءة، نتحقق مما إذا كان
عطل قد وقع في الأيام السبعة التالية. هذه إعادة البناء هي
النقطة التقنية الأدق في الحالة، مطوَّرة في الفقرة 7.
المثال C — تقدير سعر عقاري
| المساحة (م²) | الغرف | سنة البناء | المسافة عن المركز (كم) | سعر البيع ($) |
|---|---|---|---|---|
| 75 | 2 | 1994 | 6,2 | 272 500 |
| 100 | 3 | 2006 | 4,1 | 370 000 |
| 125 | 4 | 2011 | 3,4 | 467 500 |
| 150 | 5 | 2018 | 2,8 | 560 000 |
y عددي متصل: انحدار. الوسم واقعة مسجَّلة،
السعر المحمَّل في عقد البيع.
تحمل الأمثلة الثلاثة وسوماً ذات طبيعة مختلفة جذرياً: إبلاغ مستخدم، إعادة بناء من سجلّ، مبلغ تعاقدي. تحدّد هذه الفروق موثوقية النموذج أكثر بكثير من اختيار الخوارزمية.
| المصدر | الوصف | التكلفة | الموثوقية | الفخ المرتبط |
|---|---|---|---|---|
| سجلّ تاريخي طبيعي | وقع الحدث وسُجِّل: بيع مبرَم، عقد ملغى، خسارة معلَنة | معدومة إلى ضعيفة | مرتفعة | قد يختلف تعريف الحدث في النظام عن التعريف المهني؛ تاريخ التسجيل وتاريخ الحدوث يختلفان |
| فعل مستخدم | ينتج المستخدم الإشارة: نقرة، شراء، إبلاغ، تقييم | معدومة | متوسطة | انحياز اختيار هائل: أقلية فقط تفعل. غياب الإشارة لا يعادل إشارة سالبة |
| وسم بشري | موسِّمون يسمون ملاحظات للمشروع | مرتفعة | متغيّرة | ذاتية، إرهاق، انحراف معيار. يتطلّب مقياس اتفاق بين الموسِّمين |
| خبير المجال | أخصائي يؤهّل كل حالة وفق حكمه المهني | مرتفعة جداً | مرتفعة على الحالات النمطية | تدفق ضعيف إذن حجم ضعيف. خلاف بين الخبراء على الحالات الحدّية، وهي حالات الاهتمام |
| قاعدة أعمال تلقائية | قاعدة قائمة أنتجت الوسم: عتبة، محرّك قواعد، نظام خبير | معدومة | وهمية | يتعلّم النموذج القاعدة، لا الظاهرة. يبلغ أداؤه سقف أداء النظام الذي أنتج الوسوم |
| قياس أداتي | حسّاس يوفّر القيمة: مسبار، عدّاد، محلِّل | متوسطة | مرتفعة | انحراف معايرة، أعطال تنتج قيماً افتراضية، فقدان تزامن زمني |
سؤال يجب التحقيق فيه في بداية كل مشروع:
كيف أُنتج هذا الوسم، وهل هذا الإنتاج موثوق؟
يسبق اختيار الخوارزمية، واختيار المتغيرات وأي اعتبار معماري. ويُحقَّق فيه لدى الأشخاص الذين يستغلون النظام المصدر، لا لدى من يستغلون قاعدة البيانات.
الوضعية
تملك منظمة منذ سنوات محرّك قواعد يصنّف الطلبات الواردة تلقائياً. يتضمّن السجلّ التاريخي إذن، لكل طلب، الفئة التي نسبها هذا المحرّك: عمود متاح فوراً، يبدو أنه يشكّل وسماً مثالياً.
ما يحدث
يُدرَّب النموذج على إعادة إنتاج قرارات المحرّك. وينجح في ذلك، غالباً بما يتجاوز 95 % دقة. تقيس هذه الدقة أمانة المحاكاة، لا صواب القرارات. وكل أخطاء المحرّك تُتعلَّم كحقائق: تشكّل، في البيانات، تعريف الجواب الصحيح نفسه.
لا يمكن لنموذج مُوجَّه أن يكون أفضل من الإجراء الذي أنتج وسومه. يمكن أن يكون أسرع وأكثر انتظاماً وأقل تكلفة، و يعمّم على حالات لا تغطيها القواعد الصريحة. ولا يمكن أن يكون أصوب.
النتيجة العملية
يبقى مثل هذا المشروع مشروعاً عندما يكون الهدف تقليص تكلفة التنفيذ، أو تغطية حالات غير معالَجة، أو تبسيط محرّك أصبح غير قابل للإدارة. وهو غير مشروع عندما يكون الهدف المعلَن تحسين جودة القرارات: يلزم عندئذ مصدر وسوم مستقل عن النظام المراد استبداله، بتدقيق عيّنة أو بملاحظة النتيجة الحقيقية للقرارات.
لا تجري خوارزمية تعلّم مُوجَّه أي تحليل للمجال. بل تنفّذ دورة بثلاثة أزمنة، تُكرَّر حتى استيفاء معيار توقّف.
تتغيّر صيغ التصحيح: انحدار تدرّجي للنماذج المعلَّمة والشبكات العصبية، تجزئة تكرارية بـ تعظيم مكسب معلومة للأشجار، حل تحليلي مغلق للمربعات الصغرى العادية. والبنية المنطقية للدورة متطابقة.
التعريف الدقيق
المعامل مقدار داخلي للنموذج تُحدَّد قيمته بخوارزمية التعلّم انطلاقاً من البيانات، بتصغير المخاطر التجريبية. ومجموع قيم المعاملات يشكّل حالة النموذج ويكفي، مع بنيته، لإعادة إنتاج تنبؤاته.
| صنف النماذج | المعاملات |
|---|---|
| انحدار خطي أو لوجستي | معاملات المتغيرات، الإحداثي عند الأصل |
| شجرة قرار | متغيرات القطع، العتبات، قيم الأوراق |
| شبكة عصبية | أوزان الوصلات، انحيازات العصبونات |
ترجمة إلى اللغة اليومية
المعاملات هي ما تعلّمته الآلة: محتوى الملف المحفوظ في نهاية التدريب.
التعريف الدقيق
دالة فقد L : Y × Y → R+ تربط بزوج (قيمة ملاحَظة،
قيمة متنبَّأ بها) مقياساً عددياً موجباً للفجوة، معدوماً إذا وفقط إذا
تطابق التنبؤ مع الملاحظة، ومتزايداً مع خطورة
الفجوة. ويجب أن تكون قابلة للحساب، وللخوارزميات القائمة على
التدرّج، قابلة للاشتقاق بالنسبة إلى المعاملات.
الوضع
تشكّل التعريف التشغيلي لـ «التنبؤ الجيد». وهو اختيار هندسي، لا معطى للمشكلة: دالتا فقد مختلفتان مطبَّقتان على العيّنة نفسها تنتجان نموذجين مختلفين.
ترجمة إلى اللغة اليومية
قاعدة التنقيط: ما يُعدّ خطأً، وكم يكلف هذا الخطأ.
نقطة انتباه
الفقد المستخدَم للتحسين والمقياس المستخدَم للتقييم المهني شيئان متميّزان، نادراً ما يتطابقان (الفصلان 029 و 052).
التعريف الدقيق
متوسط حسابي للفقد الفردي على العيّنة:
R̂(h) = (1/n) · Σ L(yi, h(xi)). هذه الكمية التي تصغّرها فعلاً
خوارزمية التعلّم.
التمييز عن المخاطر المتوقَّعة
المخاطر التجريبية متوسط على n ملاحظة متاحة، والمخاطر
المتوقَّعة توقّع على التوزيع المولِّد. الأولى قابلة للحساب
وتخدم هدفاً للتحسين؛ والثانية الهدف الحقيقي ولا تكون أبداً
قابلة للوصول مباشرة.
نقطة انتباه
مخاطر تجريبية معدومة بلا أي قيمة إعلامية: يمكن دائماً بلوغها بنموذج كافٍ التعبيرية، بمجرّد حفظ العيّنة.
| دالة الفقد | نوع المشكلة | التعبير | الخاصية |
|---|---|---|---|
| خطأ تربيعي | انحدار | (y − ŷ)² | يعاقب بقوة الفجوات الكبيرة؛ حسّاس للقيم الشاذة |
| خطأ مطلق | انحدار | القيمة المطلقة لـ y − ŷ | عقوبة تناسبية؛ متين أمام القيم الشاذة |
| إنتروبيا متقاطعة ثنائية | تصنيف ثنائي | −[y·log(p) + (1−y)·log(1−p)] | يعمل على الاحتمال المتنبَّأ به p، لا على الفئة |
| فقد مفصلي | تصنيف بهامش | max(0, 1 − y·score) | يعاقب أيضاً النقاط الصحيحة القريبة جداً من الحدود |
يضبط الخطأ التربيعي المتوسط الشرطي، والخطأ المطلق الوسيط الشرطي. والاختيار يندرج تحت السؤال المهني: هل تكلفة خطأ مهم تناسبية مع حجمه، أم أكثر من تناسبية؟
| المعيار | المعامل | المعامل الفائق (hyperparameter) |
|---|---|---|
| من يثبّت القيمة | خوارزمية التعلّم | المهندس، أو إجراء بحث |
| متى | أثناء التدريب | قبل التدريب |
| مصدر القيمة | بيانات التدريب | اختيار منهجي متحقَّق منه |
| أمثلة | معاملات، عتبات شجرة، أوزان شبكة | عمق أقصى، معدّل تعلّم، معامل تنظيم، عدد أشجار |
| أثر تعديل | يغيّر تنبؤات النموذج المضبوط | يغيّر النموذج الذي سيُضبَط |
تعرّف المعاملات الفائقة H وإجراء التحسين؛ أما
المعاملات فتشير إلى النقطة المحتفَظ بها في H. ويُعالَج ضبطها في
الفصل 009.
لا تتضمّن الدورة أي خطوة فهم أو تفسير أو استدلال سببي. تتضمّن شكلاً دالياً اختاره المهندس، ومقياس فجوة اختاره المهندس، وإجراء رقمياً يقلّص هذا المقياس.
لا يوجد فهم. يوجد تصغير تكراري لكمية عددية.
هذه ليست احترازاً بلاغياً: سيستغل نموذج أي انتظام إحصائي موجود في البيانات، بما فيه ما لا معنى له مهنياً، وما ينتج عن آثار جمع، وما لن يبقى في الإنتاج.
يملك مشغّل آلة ذات مقبضين وميناء مدرَّجاً يعرض فجوة. لا يدرك الصوت. يدير المقبض الأول، ويقرأ الميناء، ويلاحظ أن الفجوة نقصت، ويتابع في الاتجاه نفسه. عندما تتوقف الفجوة عن النقصان، ينتقل إلى المقبض الثاني. بعد عشرات الضبطات، يعرض الميناء فجوة دنيا.
لم يسمع المشغّل شيئاً، ولا يملك أي فكرة عن الموسيقى ولا يستطيع شرح ما هي خامسة صحيحة. صغّر قيمة ميناء.
نتيجتان تنتقلان تماماً: إذا كان الميناء سيئ المعايرة، ستكون الآلة خاطئة بفجوة معروضة معدومة — الدور الحرج لدالة الفقد والوسوم؛ وإذا كان الميناء لا يقيس إلا وتراً من ستة، تبقى الخمسة الأخرى خاطئة — الدور الحرج لاختيار المقياس.
المهمة: تقدير سعر بيع مسكن انطلاقاً من مساحته.
X = surface en m²، Y = prix en dollars، n = 4.
| المنزل | المساحة (م²) | السعر الملاحَظ ($) |
|---|---|---|
| A | 75 | 272 500 |
| B | 100 | 370 000 |
| C | 125 | 467 500 |
| D | 150 | 560 000 |
يفترض المهندس علاقة تآلفية prix = a × surface + b. يحدّد هذا الاختيار
H: مجموعة مستقيمات المستوى. والمعاملات الواجب تحديدها هي
a (السعر للمتر المربّع) و b (الحد الثابت). ودالة الفقد المحتفَظ بها
هي الخطأ المطلق، المختارة لمقروئية الحسابات؛ والمخاطر
التجريبية إذن هي متوسط الخطأ المطلق على المنازل الأربعة.
| المنزل | المساحة | السعر الملاحَظ | السعر المتنبَّأ به | الخطأ المطلق |
|---|---|---|---|---|
| A | 75 | 272 500 | 75 000 | 197 500 |
| B | 100 | 370 000 | 100 000 | 270 000 |
| C | 125 | 467 500 | 125 000 | 342 500 |
| D | 150 | 560 000 | 150 000 | 410 000 |
| الخطأ المتوسط | 305 000 |
كل التنبؤات أدنى من الأسعار الملاحَظة والفجوة تتزايد مع
المساحة: المعامل a ضعيف جداً. اتجاه التصحيح:
زيادة a.
| المنزل | المساحة | السعر الملاحَظ | السعر المتنبَّأ به | الخطأ المطلق |
|---|---|---|---|---|
| A | 75 | 272 500 | 150 000 | 122 500 |
| B | 100 | 370 000 | 200 000 | 170 000 |
| C | 125 | 467 500 | 250 000 | 217 500 |
| D | 150 | 560 000 | 300 000 | 260 000 |
| الخطأ المتوسط | 192 500 |
ينخفض الخطأ المتوسط من 305 000 إلى 192 500: كان التصحيح في الاتجاه الصحيح. التشخيص لم يتغيّر، نتابع بخطوة أكبر.
| المنزل | المساحة | السعر الملاحَظ | السعر المتنبَّأ به | الخطأ المطلق |
|---|---|---|---|---|
| A | 75 | 272 500 | 262 500 | 10 000 |
| B | 100 | 370 000 | 350 000 | 20 000 |
| C | 125 | 467 500 | 437 500 | 30 000 |
| D | 150 | 560 000 | 525 000 | 35 000 |
| الخطأ المتوسط | 23 750 |
يتغيّر التشخيص طبيعةً: الأخطاء الآن من نفس أمر
الحجم وكلها بنفس الإشارة، والتنبؤات تبقى أدنى من
الأسعار الملاحَظة بنحو 25 000 $. هذا الإزاحة الثابتة غير قابلة للتصحيح بـ
a — زيادته ستفسد المساحات الكبيرة. وتندرج تحت الحد
الثابت b.
| المنزل | المساحة | السعر الملاحَظ | السعر المتنبَّأ به | الخطأ الموقَّع | الخطأ المطلق |
|---|---|---|---|---|---|
| A | 75 | 272 500 | 287 500 | −15 000 | 15 000 |
| B | 100 | 370 000 | 375 000 | −5 000 | 5 000 |
| C | 125 | 467 500 | 462 500 | +5 000 | 5 000 |
| D | 150 | 560 000 | 550 000 | +10 000 | 10 000 |
| الخطأ المتوسط | 8 750 |
الأخطاء الآن بإشارات متعارضة: تنبؤان مرتفعان جداً،
واثنان منخفضان جداً. لا يمكن لأي تصحيح إجمالي لـ a أو b أن يقلّص
المجموع في آن واحد. بلغت العملية نظام توفيق، وهو ما
يشكّل معيار التوقّف.
prix estimé = 3 500 × surface + 25 000هذان العددان يشكّلان كامل ما تُعلِّم. مطبَّق على حالة جديدة، مسكن 110 م² غائب عن العيّنة:
prix estimé = 3 500 × 110 + 25 000 = 410 000 $ينتج النموذج قيمة لملاحظة لم تُصادَف قط. وهذا الانتقال من المعروف إلى المجهول هو التعميم، المعالَج في الفقرة 7.
الدرس الأول — لا يُحشَد أي فهم للمجال
لم يحشد الإجراء أي معرفة بالسوق العقاري. لم يستشر
أي جدول، ولا يعرف لا مفهوم الحي ولا حالة العقار ولا
معدّل الفائدة. أنتج عددين يصغّران متوسط
فجوات. وكون a = 3 500 يُفسَّر كسعر للمتر المربّع
قراءة يجريها المحلّل لاحقاً، لا معرفة
يملكها النموذج.
الدرس الثاني — الآلية محاولة، قياس، ضبط
عُرضت أربعة تكرارات؛ تنفّذ خوارزمية حقيقية آلافاً، بضبطات ضعيفة السعة يوجّهها التدرّج بدلاً من فحص إشارات الخطأ. والبنية المنطقية هي بنية الفقرة 3، بلا إضافة: اقتراح، قياس الفجوة، تصحيح في الاتجاه الذي يقلّص الفجوة.
الدرس الثالث — شكل القاعدة يختاره المهندس
لم تقرّر الآلة أن السعر سيكون دالة تآلفية للمساحة. وُضعت هذه الفرضية قبل أي حساب وتقيّد النتيجة نهائياً: إذا كانت العلاقة الحقيقية درجاً، أو تبلغ سقفاً بعد مساحة معيّنة، أو تعتمد على تفاعل مع الحي، فلن يستطيع هذا النموذج أبداً تمثيلها، أيّاً كان حجم البيانات المقدَّم. واختيار صنف النماذج فعل هندسي سابق وأعلى من الضبط: هذا خطأ التقريب المعرَّف في الفقرة 1.
المهمة: التنبؤ بما إذا كان مرشَّح سيجري شراء انطلاقاً من عمره و
راتبه السنوي. X = (âge, salaire)، Y = {Achat, Pas d'achat}، n = 6.
| المرشَّح | العمر | الراتب السنوي ($) | شراء |
|---|---|---|---|
| P1 | 22 | 28 000 | لا |
| P2 | 25 | 32 000 | لا |
| P3 | 31 | 41 000 | لا |
| P4 | 38 | 58 000 | نعم |
| P5 | 45 | 72 000 | نعم |
| P6 | 52 | 85 000 | نعم |
الفرق الشكلي مع الفقرة 4 يكمن في طبيعة Y: مجموعة
منتهية غير مرتَّبة تحل محل فترة أعداد حقيقية. وهذا الفرق وحده يغيّر
دالة الفقد ومقاييس التقييم والتفسير الهندسي
للنموذج.
التعريف الدقيق
لمصنِّف f̂ : X → Y، حدود القرار هي المجموعة الجزئية من
X المكوَّنة من النقاط التي تتغيّر عندها قاعدة القرار الفئة
المنسوبة. في الحالة الثنائية القائمة على درجة متصلة s(x) وعتبة t،
هي مجموعة المستوى { x ∈ X | s(x) = t }. وتجزّئ X إلى
مناطق قرار، كل منها مرتبط بفئة.
الخاصية الهندسية
في فضاء بـ d متغيراً، الحدود سطح فوقي ببعد
d − 1: نقطة على مستقيم، منحنى في المستوى، سطح في
البعد الثالث.
| صنف النماذج | شكل الحدود |
|---|---|
| انحدار لوجستي | مستوٍ فوقي: مستقيم في المستوى |
| شجرة قرار | قطع موازية للمحاور، درجاً |
| آلة متجهات داعمة بنواة | منحنى منتظم، شكل يعتمد على النواة |
| شبكة عصبية | سطح فوقي معقَّد اعتباطياً |
نقطة انتباه
الحدود قابلة للتحريك بلا إعادة تدريب: تعديل العتبة t يحرّكها
على طول خطوط مستوى الدرجة. تُستغَل هذه الخاصية في
الفصل 062.
على الملاحظات الست، قاعدة تآلفية تفصل تماماً المجموعتين:
score brut = salaire + 1 000 × âge، حدود عند 90 000.
| المرشَّح | الدرجة الخام | الموضع | الفئة المتنبَّأ بها | الفئة الملاحَظة |
|---|---|---|---|---|
| P1 | 50 000 | تحت الحدود | لا | لا |
| P2 | 57 000 | تحت الحدود | لا | لا |
| P3 | 72 000 | تحت الحدود | لا | لا |
| P4 | 96 000 | فوق | نعم | نعم |
| P5 | 117 000 | فوق | نعم | نعم |
| P6 | 137 000 | فوق | نعم | نعم |
نقطة انتباه: فصل تام على ست ملاحظات ليس أداءً. عندما يكون عدد الملاحظات ضعيفاً أمام عدد المتغيرات، يكون قابلية الفصل التامة شائعة بل تشكّل إشارة انتباه لفرط التخصيص (الفصل 031).
لا ينتج مصنِّف فئة مباشرة. بل ينتج أولاً درجة متصلة، تُحوَّل عموماً إلى تقدير احتمال شرطي، ثم يطبّق عتبة للحسم.
التعريف الدقيق
يقدّر مصنِّف احتمالي القانون الشرطي P(Y | X = x). لمشكلة
ثنائية مع Y = {0, 1}، ينتج p̂(x) ∈ [0, 1] مقدِّراً
P(Y = 1 | X = x). وقاعدة القرار المرتبطة بعتبة t هي: ŷ = 1 إذا
p̂(x) ≥ t، وŷ = 0 وإلا.
| الفعل | الطبيعة | من يحدّده | قابل للتعديل بعد التدريب |
|---|---|---|---|
تقدير p̂(x) | إحصائية | النموذج، بالضبط على D | لا، بلا إعادة تدريب |
اختيار العتبة t | قرارية | المنظمة، حسب تكلفة الأخطاء | نعم، فوراً |
نقطة انتباه على المعايرة
درجة مرتفعة لا تعادل احتمالاً موثوقاً. يكون النموذج معايرة عندما، من بين الملاحظات التي ينسب إليها درجة 0,80، ينتمي تقريباً 80 % فعلاً إلى الفئة الموجبة. والدرجات الخام لكثير من الخوارزميات لا تملك هذه الخاصية وتتطلّب إعادة معايرة (الفصل 029).
ترجمة إلى اللغة اليومية
ينتج النموذج درجة ثقة. وتحويل هذه الدرجة إلى قرار اختيار إدارة، لا اختيار تقني. والقيمة 0,50 افتراض تنفيذ، وليست أبداً تسويغاً.
للحالة الجديدة «35 سنة، 60 000 $»، الدرجة الخام تبلغ 95 000، أي 5 000
فوق الحدود؛ محوَّلة إلى احتمال، تعطي
P(y = Achat | x) = 0,81، والعتبة الافتراضية 0,50 تقود إلى التنبؤ
بـ «شراء». بعتبة مرفوعة إلى 0,85، الملاحظة نفسها والنموذج نفسه و
الدرجة نفسها ستقود إلى التنبؤ بـ «لا شراء». لم يتغيّر النموذج؛
تغيّر القرار. واختيار العتبة يندرج تحت التكلفة النسبية لنوعي
الأخطاء، المعالَجة في الفصلين 052 و 062.
| المعيار | الانحدار (الفقرة 4) | التصنيف (الفقرة 5) |
|---|---|---|
طبيعة Y | فترة أعداد حقيقية | مجموعة منتهية غير مرتَّبة |
| المخرج الخام للنموذج | قيمة عددية | درجة أو احتمال لكل فئة |
| خطوة قرار إضافية | لا شيء | تطبيق عتبة |
| دالة فقد معتادة | خطأ تربيعي، خطأ مطلق | إنتروبيا متقاطعة |
| تفسير هندسي | منحنى ضبط | حدود قرار |
| مقاييس تقييم | خطأ متوسط، معامل تحديد | دقة، ضبط، استدعاء، مساحة تحت المنحنى |
| التدريب | التقييم | الإنتاج | |
|---|---|---|---|
| طبيعة البيانات | مجموعة تدريب، سجلّ تاريخي | مجموعة اختبار، سجلّ مستبعَد | تدفق حقيقي، ملاحظات جديدة |
| الوسم متاح | نعم، مستخدَم للضبط | نعم، للمقارنة وحدها | لا، لحظة التنبؤ |
| فعل النظام | ضبط المعاملات | التنبؤ وقياس الفجوة | التنبؤ |
| استدعاء الكود | model.fit(X_train, y_train) | model.predict(X_test) ثم مقارنة بـ y_test | model.predict(x_nouveau) |
| هل يُعدَّل النموذج | نعم | لا | لا |
| التشبيه | التحضير مع الحلول النموذجية | الامتحان التجريبي على مواضيع جديدة | الممارسة المهنية الحقيقية |
| ما نحصل عليه | نموذج مضبوط | تقدير للمخاطر المتوقَّعة | قرار تشغيلي |
# Régime 1 — entraînement : le modèle voit x et y
model.fit(X_train, y_train)
# Régime 2 — évaluation : le modèle voit x, y sert uniquement à la comparaison
y_pred = model.predict(X_test)
score = metrique(y_test, y_pred)
# Régime 3 — production : y n'existe pas encore
y_estime = model.predict(x_nouvelle_observation)لا تكمن الصعوبة المهنية في كتابة هذه الأسطر الثلاثة،
بل في التكوين الصحيح لـ X_train و X_test ووسومهما.
نقطة انتباه كبرى
تقييم نموذج على البيانات التي خدمت لتدريبه ينتج تقديراً تفاؤلياً، خالياً من أي قيمة إعلامية.
أُعطي التسويغ الشكلي في الفقرة 1: اختيرت f̂
تحديداً لتصغير R̂ على هذه الملاحظات، بحيث يكون R̂(f̂)
مقدِّراً منحازاً لـ R(f̂). وتُعالَج صيغ التقطيع والتحقّق المتقاطع
في الفصل 026.
التعريف الدقيق
D المستخدَمة لضبط
المعاملات.تسويغ التمييز تحقّق / اختبار
كل اختيار يُجرى بالنظر إلى درجة على مجموعة بيانات يحسّن ضمنياً على هذه المجموعة. مجموعة تحقّق تُستشار عشرات المرات تتوقف عن أن تكون محايدة: أدخل عملية الاختيار فيها انحيازاً تفاؤلياً، من طبيعة مطابقة لانحياز مجموعة التدريب وإن بسعة أقل.
قاعدة تشغيلية
لا تُفتَح مجموعة الاختبار إلا مرة واحدة، والنتيجة المحصَّلة هي التي تُبلَّغ. وإذا استُشيرت ثم تبعها تعديل للنموذج، فقد تغيّرت طبيعتها وأصبحت مجموعة تحقّق.
تريد مدرسة تقدير نتائج طلابها في الامتحان النهائي.
بروتوكول معيب: يعيد الامتحان التجريبي تمارين مجموعة التدريب. النتائج ممتازة ولا تتنبأ بشيء؛ تقيس حفظ المجموعة.
بروتوكول صالح: يقع الامتحان التجريبي على مواضيع جديدة، من الطبيعة نفسها والصعوبة نفسها كمواضيع الامتحان النهائي. النتائج أضعف وتشكّل تقديراً قابلاً للاستخدام.
الفرق بين البروتوكولين ليس صعوبة المواضيع، بل كون هذه المواضيع قد استُخدمت أم لا أثناء التحضير. وهذا السؤال الوحيد الذي يحكم صلاحية تقييم.
التعريف الدقيق
يشير التعميم إلى قدرة نموذج مضبوط على الحفاظ على مستوى
أداء معيّن على ملاحظات صادرة عن التوزيع نفسه P(X, Y)
كتلك التي في عيّنة التعلّم، لكنها غير ملاحَظة أثناء
الضبط. ويُكمَّم بـ فجوة التعميم
R(f̂) − R̂(f̂): فجوة ضعيفة تشير إلى أن الأداء المقيس على
العيّنة تمثيلي للأداء المتوقَّع.
شرط الصلاحية
يتضمّن التعريف شرطاً صريحاً: «صادرة عن التوزيع نفسه». عندما يختلف توزيع بيانات الإنتاج عن توزيع بيانات التعلّم، لا ينطبق الضمان. هذه الظاهرة هي الانحراف، المعالَج في الفصل 082؛ والتعميم لا يحمي منها.
ترجمة إلى اللغة اليومية
التعميم هو العمل على حالات لم تُصادَف قط، لا فقط على تلك التي خدمت للتعلّم.
| خطأ التدريب | خطأ التعميم | |
|---|---|---|
| التعريف | مخاطر تجريبية على مجموعة التدريب | مخاطر متوقَّعة على التوزيع المولِّد |
| الترميز | R̂(f̂) على D_train | R(f̂) |
| قابل للحساب | نعم، مباشرة | لا، قابل للتقدير فقط |
| المقدِّر العملي | — | خطأ مقيس على مجموعة الاختبار |
| ما يقيسه | جودة الضبط على البيانات المرئية | الجودة المتوقَّعة في الإنتاج |
| هل يمكن أن يكون معدوماً | نعم، بنموذج كافٍ التعبيرية | لا، الخطأ غير القابل للاختزال يحدّه |
| القيمة القرارية | معدومة معزولة | القيمة القرارية الوحيدة للمشروع |
تشكّل الفجوة بينهما التشخيص الرئيسي للممارس.
| خطأ التدريب | خطأ الاختبار | التشخيص | المعالجة |
|---|---|---|---|
| مرتفع | مرتفع | نقص تخصيص (underfitting): نموذج مقيَّد جداً | إثراء المتغيرات، زيادة التعبيرية |
| ضعيف | مرتفع | فرط تخصيص: حفظ النموذج | تنظيم، تبسيط، زيادة الحجم |
| ضعيف | ضعيف | نظام مُرضٍ | التحقق من غياب تسرّب (الفصل 028) |
| مرتفع | ضعيف | وضعية غير طبيعية | التحقق من بروتوكول التقطيع |
يُدرَّب نموذج توقّع طلب على بيانات يناير إلى يونيو. يبلغ خطأ متوسطاً 3,1 % على هذه الفترة. وهذا الرقم لا يملك أي أهمية قرارية: يصف قدرة النموذج على إعادة ضبط فترة يعرف قيمها سلفاً.
السؤال الوحيد الذي يهم هو: ما الخطأ على يوليو؟
يوليو لم يُلاحَظ أثناء الضبط. والأداء على يوليو هو المعلومة الوحيدة التي تخبر عما سينتجه النموذج في أغسطس وعلى أي فترة قادمة. وما يصح لفصل زمني يصح لفصل عشوائي، حسب الموقع أو العميل أو المنطقة. السؤال ثابت: ما الأداء على ما لم يخدم الضبط؟
لا تملك أي من هذه التقنيات غاية خاصة. فصل البيانات لا يوجد لاحترام اصطلاح؛ والتنظيم لا يوجد لـ إنتاج نماذج أكثر أناقة. كل منها يوجد لجعل خطأ التعميم قابلاً للتقدير، أو لتقليصه.
ممارس لا ينسب مجموع اختياراته المنهجية إلى فجوة التعميم يطبّق وصفات.
يعرف ممثّل نص مسرحيته بالكامل. يعيده بلا خطأ، بتنغيمات مضبوطة في التمرين: على هذا الذخيرة، أداؤه كامل.
ليلة العرض، يقفز شريك عن رد. الممثّل الذي حفظ يتوقف: التسلسل المتعلَّم لم يعد يقابل الوضعية. أما الممثّل الذي فهم الوضعية الدرامية فيرتجل رداً متسقاً ويتابع. كان الاثنان غير قابلين للتمييز في التمرين: حصل كلاهما على الدرجة نفسها على مجموعة التدريب.
| الممثّل | على النص المعروف | على الوضعية غير المتوقَّعة | النموذج المقابل |
|---|---|---|---|
| الذي حفظ | كامل | فاشل | فرط تخصيص |
| الذي فهم | جيد | جيد | تعميم |
نقطة النقل: الطريقة الوحيدة لتمييز الممثّلين وضعهما أمام وضعية غير مكرَّرة. وهذه بالضبط وظيفة مجموعة الاختبار. بدون هذا الاختبار، يكون الملامحان غير قابلين للتمييز — بل يحصل الملامح الفاشل على أفضل الدرجات الظاهرية.
السياق. يستغل صناعي 300 آلة مجهَّزة موزَّعة على أربعة مواقع، تبث باستمرار قراءات اهتزاز وحرارة واستهلاك كهربائي وعدّادات استخدام. ويملك قسم الصيانة سجلّ تدخّلات يغطي ثلاثين شهراً. وتكلّف حالة توقّف غير مخطَّطة نحو 18 000 $ إنتاجاً ضائعاً؛ وتدخّل وقائي مخطَّط نحو 1 200 $.
| الشرط | التحقق المجرى | الوضع |
|---|---|---|
| يوجد هدف قابل للملاحظة في السجلّ | يتيح السجلّ تاريخ كل عطل | مستوفى |
| السجلّ كافٍ حجماً وأحداثاً | 30 شهراً، 300 آلة، 412 عطلاً غير مخطَّط | مستوفى |
| المتغيرات متاحة لحظة التنبؤ | قراءات مؤرَّخة، قابلة للوصول في الزمن الحقيقي | مستوفى |
| التنبؤ يفتح على قرار قابل للتنفيذ | يمكن تخطيط تدخّل وقائي | مستوفى |
| تكلفة الخطأ مقبولة | إيجابي كاذب 1 200 $، سلبي كاذب 18 000 $ | مستوفى، مع لاتناظر قوي |
الصياغة التجارية الأولية — «استباق الأعطال» — غير قابلة للاستغلال كما هي. حُقِّق في أربع صياغات مرشَّحة.
| الصياغة المرشَّحة | نوع المشكلة | العيب القاطع |
|---|---|---|
| «هل الآلة معطّلة حالياً؟» | تصنيف على حالة لحظية | المتغير قابل للملاحظة مباشرة والعطل وقع سلفاً. لا استباق، إذن لا قرار ممكن |
| «ما العمر المتبقي؟» | انحدار | يتطلّب التاريخ الدقيق للعطل المستقبلي لكل ملاحظة. الآلات قيد الخدمة بلا تاريخ نهاية: العيّنة خاضعة للرقابة، وهو ما يُبطل انحداراً ساذجاً |
| «هل ستتعطّل الآلة يوماً ما؟» | تصنيف بلا أفق | هدف منحرف: الإجابة موجبة لكل الآلات. انتشار 100 %، لا معلومة يُتعلَّمها |
| «هل ستتعطّل الآلة خلال الأيام السبعة القادمة؟» | تصنيف ثنائي بأفق ثابت | محتفَظ بها. عيوب متبقية معروفة وقابلة للإدارة: اختلال فئات قوي، حساسية لاختيار الأفق |
الهدف المحتفَظ به: panne_7j = 1 إذا وقع عطل غير مخطَّط على
الآلة خلال الأيام السبعة التالية لتاريخ القراءة، و0 وإلا.
| الأفق المتوخى | النتيجة |
|---|---|
| يومان | تنبؤات أدق لكنها غير قابلة للاستغلال: القطعة لا تُسلَّم في الوقت. لا قيمة تجارية |
| 7 أيام | متوافق مع السلسلة اللوجستية للتدخّل. أفق محتفَظ به |
| 30 يوماً | إشارة مبشِّرة ضعيفة جداً في هذا الأجل: يزداد الانتشار لكن قابلية الفصل تنخفض. تنبيهات كثيرة جداً ومبكّرة جداً |
المبدأ: يُشتق أفق هدف تنبؤي من مهلة قابلية تنفيذ القرار، وليس أبداً من اليسر الإحصائي.
| المتغير | الوصف | التسويغ المهني |
|---|---|---|
vib_rms_24h | اهتزاز فعّال متوسط على 24 ساعة | مؤشر مباشر لتآكل المحامل وعدم التوازن |
vib_delta_7j | الفجوة عن متوسط الأيام السبعة السابقة | يُشار إلى التدهور بتطوّر، لا بمستوى مطلق خاص بكل آلة |
temp_max_24h | حرارة قصوى للغلاف على 24 ساعة | سخونة غير طبيعية تشير إلى احتكاك أو عيب تزييت |
temp_ecart_consigne | الفجوة عن الحرارة الاسمية للنموذج | تطبيع الحرارة بين آلات أجيال مختلفة |
heures_depuis_maintenance | ساعات تشغيل منذ آخر تدخّل | التآكل دالة لزمن الخدمة، لا للزمن التقويمي |
cycles_jour_moyen_7j | متوسط عدد الدورات اليومية على 7 أيام | يقيس شدة الإجهاد |
conso_elec_ecart | فجوة استهلاك عن خط أساس الآلة | استهلاك زائد بحمل ثابت يشير إلى مقاومة ميكانيكية متزايدة |
nb_arrets_courts_30j | عدد التوقّفات القصيرة على 30 يوماً | التوقّفات القصيرة تسبق غالباً الأعطال الكبرى |
age_machine_mois | أقدمية الآلة | يعتمد معدّل العطل على الموضع في دورة الحياة |
site | موقع الاستغلال | يلتقط فروق البيئة: حرارة محيطة، جودة هواء، ممارسات صيانة محلية |
نقطة انتباه: vib_delta_7j و temp_ecart_consigne و
conso_elec_ecart متغيرات مبنية، لا قراءات خام. ويجب أن يكون
بناؤها قابلاً لإعادة الإنتاج بشكل مطابق في الإنتاج (الفصل 040).
الملاحظة زوج (آلة، تاريخ)، أي نحو 270 000 صف. معدّل الأحداث الموجبة: نحو 1,1 %.
| machine_id | date | vib_rms_24h | vib_delta_7j | temp_max_24h | heures_depuis_maint. | nb_arrets_courts_30j | site | panne_7j |
|---|---|---|---|---|---|---|---|---|
| M-014 | 2024-03-11 | 2,1 | +0,1 | 64 | 820 | 0 | Nord | 0 |
| M-014 | 2024-03-12 | 2,2 | +0,2 | 65 | 828 | 0 | Nord | 0 |
| M-087 | 2024-05-02 | 5,8 | +2,4 | 81 | 2 340 | 4 | Sud | 1 |
| M-087 | 2024-05-03 | 6,1 | +2,7 | 84 | 2 348 | 5 | Sud | 1 |
| M-201 | 2024-07-19 | 3,4 | +0,3 | 71 | 1 510 | 1 | Est | 0 |
| M-233 | 2024-09-08 | 6,2 | +3,1 | 88 | 2 780 | 7 | Nord | 1 |
تنتج شجرة قرار ضعيفة العمق مضبوطة على هذه البيانات البنية التالية؛ والاحتمالات هي احتمالات الفئة الموجبة في كل ورقة.
القراءة: المتغير الأكثر فصلاً ليس مستوى الاهتزاز بل تغيّره الحديث، نتيجة متسقة مع خبرة المجال — لكل آلة توقيع اهتزازي خاص، والفجوة عن هذا التوقيع هي ما يحمل المعلومة. وهذا الاتساق لا يشكّل تحققاً، لكن غيابه كان سيشكّل إشارة تنبيه على بناء البيانات.
| الفخ | التجلّي في هذه الحالة | النتيجة إن لم يُعالَج | الفصل |
|---|---|---|---|
| اختلال الفئات | 1,1 % ملاحظات موجبة | نموذج يتنبأ دائماً بـ «لا عطل» يبلغ 98,9 % دقة ولا يكشف شيئاً. الدقة غير قابلة للاستخدام كمقیاس | 050 |
| تكلفة غير متناظرة للأخطاء | سلبي كاذب 18 000 $، إيجابي كاذب 1 200 $، نسبة 15 إلى 1 | عتبة 0,50 تصغّر عدد الأخطاء لا تكلفتها. يجب خفض العتبة حتى نقطة التوازن الاقتصادي | 052 و 075 |
| تسرّب بيانات | الأعمدة date_intervention و code_panne و duree_arret لا تُرصَد إلا بعد العطل | أداء شبه كامل في التحقّق، انهيار في الإنتاج. نمط الفشل الأكثر شيوعاً في هذا النوع من المشاريع | 028 |
| فرط تخصيص | 270 000 صف لكن 412 حدثاً حقيقياً، وارتباطات قوية بين قراءات متتالية للآلة نفسها | يحفظ النموذج توقيعات الآلات التي عرفت عطلاً بدلاً من تعلّم آلية التدهور | 031 |
| انحراف | تجديد الأسطول، تغيير مورّد قطع، تعديل الإيقاعات | يتدهور الأداء تدريجياً بلا تنبيه، والحسّاسات تواصل بث قيم معقولة | 082 |
ما يحدث
سحب عشوائي لـ 20 % من الـ 270 000 صف لتكوين مجموعة الاختبار يضع قراءات الآلة M-087 في 2 مايو في التدريب وتلك التي في 3 مايو في الاختبار، بينما هي شبه متطابقة. يُقيَّم النموذج على ملاحظات رأى شبه نسخ منها أثناء الضبط: يصبح خطأ الاختبار مقدِّراً تفاؤلياً لخطأ التعميم، وشرط «غير ملاحَظة» غير مستوفى عملياً وإن كان مستوفى شكلياً على مستوى الصف.
البروتوكول الصحيح
يجب أن يعيد التقطيع إنتاج وضعية الإنتاج: سيُطبَّق النموذج على تواريخ لاحقة لتواريخ تدريبه، وأحياناً على آلات مُركَّبة حديثاً.
| التقطيع | السؤال الذي يجيب عنه |
|---|---|
| زمني: تدريب على 24 شهراً، اختبار على الستة الأخيرة | هل يعمل النموذج على الفترة القادمة؟ |
| حسب الآلة: تدريب على 240 آلة، اختبار على 60 محجوزة | هل يعمل النموذج على آلة لم تُلاحَظ قط؟ |
التقديران مفيدان ويجيبان على سؤالين متميّزين (الفصل 026).
أنتج مثال الفقرة 4 a = 3 500. من المغري الخلاصة بأن
النموذج «يعرف» أن المتر المربّع يساوي 3 500 $. لا يملك النموذج أي
مفهوم متر مربّع ولا سعر ولا مسكن: يملك عددين
يصغّران متوسط فجوات على أربع ملاحظات.
النتيجة التشغيلية: مساحة 900 م² ستنتج تقديراً 3 175 000 $ بلا أي آلية تنبّه إلى عبثية الاستقراء الخارجي.
الصياغة الصحيحة: «ضبط النموذج معاملين يصغّران متوسط الفجوة عن الأسعار الملاحَظة على العيّنة المقدَّمة.»
يؤهّل التوجيه توفّر وسوم مرجعية أثناء التدريب. ولا يصف نظام تشغيل النظام المنشور، الذي قد يكون تلقائياً بالكامل. يقود هذا الالتباس إلى افتراض رقابة بشرية غير موجودة، وإلى عدم توقّع الضمانات اللازمة.
الصياغة الصحيحة: «يُقال التعلّم مُوجَّهاً لأن كل ملاحظة تدريب كانت مصحوبة بقيمة الهدف الواجب إعادة إنتاجها. و حضور مشغّل في الإنتاج قرار متميّز.»
يُقدَّم الوسم كحقيقة مرجعية. وهو في الواقع نتاج إجراء — تسجيل، تصريح، حكم، قاعدة — يملك انحيازاته ونقاطه العمياء ومعدّل خطئه الخاص.
حالة مميّزة: تدريب نموذج على الاحتيالات المكتشَفة يعني تعلّم كشف ما يكشفه الجهاز الحالي سلفاً؛ أما الاحتيالات التي تفلت منه فتُوسَم «غير احتيالية» في البيانات.
الصياغة الصحيحة: «أداء النموذج محدود بجودة الإجراء الذي أنتج الوسوم. والخطوة الأولى للمشروع هي التحقيق في هذا الإجراء.»
«التنبؤ بالأعطال»، «التنبؤ بالانسحاب»، «التنبؤ بالاحتيال» ليست أهدافاً بل نيّات. هدف قابل للاستغلال يتضمّن ثلاثة عناصر: حدث معرَّف بلا غموض، وأفق زمني، وتاريخ ملاحظة ينطلق منه هذا الأفق. بدونها، لا يمكن بناء عمود الهدف، وسيبني شخصان يعملان على المشروع نفسه نسختين مختلفتين.
الصياغة الصحيحة: «panne_7j يساوي 1 عندما يقع عطل غير
مخطَّط خلال الأيام السبعة التالية لتاريخ القراءة، و0 وإلا.»
الدرجة المحصَّلة على البيانات التي خدمت للضبط مقدِّر منحاز تفاؤلياً للمخاطر المتوقَّعة: اختير النموذج لـ تصغير هذه الكمية تحديداً. تبلغ شجرة قرار غير مقيَّدة 100 % دقة على بيانات تدريبها، أيّاً كانت البيانات؛ وهذا الرقم لا يقيس إلا قدرتها على الحفظ.
الصياغة الصحيحة: «الخطأ المبلَّغ هو المقيس على مجموعة اختبار مكوَّنة من ملاحظات لم تشارك لا في ضبط المعاملات ولا في اختيار المعاملات الفائقة.»
تحدّد الخوارزمية المعاملات انطلاقاً من البيانات؛ أما المعاملات الفائقة فتُثبَّت قبل التدريب وتعرّف فضاء الفرضيات وإجراء التحسين.
النتيجة التشغيلية: لا يمكن ضبط المعاملات الفائقة على مجموعة التدريب، لأنها تحكم قدرة النموذج على الضبط عليها؛ مثل هذا الضبط يقود منهجياً إلى النموذج الأكثر تعبيرية الممكن، إذن إلى فرط التخصيص (الفصل 009).
الصياغة الصحيحة: «تُختار المعاملات الفائقة بتحقّق على بيانات متميّزة عن تلك التي تخدم لضبط المعاملات.»
متغير حاضر في السجلّ التاريخي ليس بالضرورة متاحاً في اللحظة التي يجب فيها إنتاج التنبؤ: يتضمّن سجلّ الصيانة مدة التوقّف، المعروفة فقط بعد العطل.
اختبار يجب تطبيقه منهجياً: لكل متغير مرشَّح، التساؤل عما إذا كانت قيمته ستكون معروفة في اللحظة الدقيقة التي يجب فيها أن يتنبأ النموذج في الإنتاج. أي إجابة بالنفي تسقط المتغير. والعَرَض أداء مرتفع بشكل غير طبيعي في التحقّق يتبعه انهيار في الإنتاج: هذا تسرّب البيانات، المعالَج في الفصل 028.
الصياغة الصحيحة: «مجموع المتغيرات المحتفَظ بها متاح في لحظة التنبؤ، وهو ما تُحقِّق منه متغيراً بمتغير لدى مستغلّي النظام المصدر.»
يتضمّن تعريف التعميم الشرط «صادرة عن التوزيع نفسه». هذا الشرط قابل للتحقق لحظة التقييم؛ و ليس مضموناً بعد ذلك. نموذج متحقَّق منه بدقة 92 % قد يعمل بدقة 71 % بعد ثمانية عشر شهراً دون أن يحدث أي خطأ تقني ودون أن ينطلق أي تنبيه.
الصياغة الصحيحة: «الأداء المقيس يصح للتوزيع الملاحَظ على فترة التقييم. وجهاز مراقبة الانحراف وإجراء إعادة تدريب متوقَّعان (الفصل 082).»
الصياغة الشكلية
البيانات : D = {(xi, yi)}, i = 1..n, مسحوبة من P(X, Y) مجهول وثابت
الفرضية : توجد f : X → Y، مشوَّشة أحياناً
الهدف : تصغير المخاطر المتوقَّعة R(h) = E[L(y, h(x))]
الواقع : نصغّر المخاطر التجريبية R^(h) = (1/n) Σ L(yi, h(xi))
المبدأ : تصغير المخاطر التجريبية (ERM)
مصطلح «مُوجَّه»
يشير إلى توفّر وسم مرجعي عند التدريب.
لا يشير إلى أي مراقبة بشرية عند التنفيذ.
الوسوم
ستة مصادر : سجلّ طبيعي، فعل مستخدم، وسم بشري،
خبير مجال، قاعدة أعمال تلقائية، قياس أداتي.
سؤال إلزامي : كيف أُنتج الوسم؟
وسوم صادرة عن نظام قواعد : يبلغ الأداء سقفه فيها.
الآلية
محاولة -> قياس الخطأ -> تصحيح -> محاولة ...
المعامل : يضبطه الخوارزمية، انطلاقاً من البيانات
المعامل الفائق : يثبّته المهندس، قبل التدريب
لا يوجد فهم. يوجد تصغير تكراري.
نوعا المشاكل
انحدار : Y متصل -> قيمة
تصنيف : Y منتهٍ -> درجة، ثم عتبة، ثم فئة
تتحرّك حدود القرار بتغيير العتبة،
بلا إعادة تدريب النموذج.
الأنظمة الثلاثة
التدريب : y معروف ومستخدَم model.fit(X_train, y_train)
التقييم : y معروف، مخفي model.predict(X_test) ثم مقارنة
الإنتاج : y مجهول model.predict(x_nouveau)
الهدف الوحيد
فجوة التعميم = مخاطر متوقَّعة − مخاطر تجريبية
خطأ التدريب : بلا قيمة قرارية
خطأ الاختبار : التقدير الوحيد القابل للاستخدام
فصل البيانات، التحقّق المتقاطع، التنظيم، كشف
فرط التخصيص : لا غاية خاصة لأي منها.
كلها تخدم التعميم.عبارة تلخيصية
يتمثّل التعلّم المُوجَّه في ضبط دالة معلَّمة على عيّنة ملاحظات موسومة، بتصغير مخاطر تجريبية ليست إلا بديلاً قابلاً للحساب عن المخاطر المستهدَفة حقاً؛ ولا تُقاس قيمة النموذج أبداً على الملاحظات التي خدمت لضبطه، بل على تلك التي لم يرها.
الاختبارات المرتبطة:
004.1-quiz-formalisation.md،
004.2-quiz-donnees-etiquetees.md،
004.3-quiz-mecanique-ajustement.md،
004.4-quiz-regression-chiffree.md،
004.5-quiz-classification-frontiere.md،
004.6-quiz-trois-regimes.md،
004.7-quiz-generalisation.md
الفصل التالي: 005-dataset-observation.md