التعلم الخاضع للإشراف باستخدام Scikit-Learn

يتضمن التعلم الخاضع للإشراف تدريب نموذج باستخدام بيانات معنونة لإجراء التنبؤات أو تصنيف نقاط البيانات. وتُعد Scikit-learn مكتبة Python شائعة لتطبيق نماذج التعلم الخاضع للإشراف.

في هذا الدرس، ستتعلّمون كيفية بناء نماذج التعلم الخاضع للإشراف وتقييمها باستخدام Scikit-learn.

ما هو التعلم الخاضع للإشراف؟

يستخدم التعلم الخاضع للإشراف بيانات معنونة، بحيث يكون لكل مدخل مخرج مقابل. والهدف هو تعلّم دالة ربط بين المدخلات والمخرجات.

تشمل المهام الشائعة ما يلي:

• الانحدار: التنبؤ بقيم مستمرة، مثل أسعار المنازل.
• التصنيف: التنبؤ بفئات، مثل بريد مزعج أو غير مزعج.

إعداد Scikit-Learn

ثبّتوا Scikit-learn باستخدام pip:

pip install scikit-learn

بعد تثبيته، يمكنكم استيراده والبدء في بناء النماذج.

الانحدار الخطي

يُستخدم الانحدار الخطي للتنبؤ بالقيم المستمرة. لنُنشئ نموذج انحدار خطي بسيطًا:

# Example: Linear Regression
from sklearn.linear_model import LinearRegression

# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))

الانحدار اللوجستي

يُستخدم الانحدار اللوجستي لمهام التصنيف الثنائي، مثل تحديد ما إذا كانت رسالة البريد الإلكتروني مزعجة أم لا.

# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression

# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]

model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))

أشجار القرار

أشجار القرار نماذج متعددة الاستخدامات يمكنها التعامل مع مهام الانحدار والتصنيف على حد سواء. لنُنشئ مصنّف شجرة قرار بسيطًا:

# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier

# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]

model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))

تقييم النماذج

توفر Scikit-learn مقاييس لتقييم أداء النموذج:

• متوسط مربعات الخطأ (MSE): لنماذج الانحدار.
• الدقة: لنماذج التصنيف.

# Example: Evaluating a model
from sklearn.metrics import mean_squared_error

# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))

تقسيم بيانات التدريب والاختبار

احرصوا دائمًا على تقسيم مجموعة البيانات إلى مجموعتي التدريب والاختبار لتقييم أداء النموذج على بيانات غير مرئية:

# Example: Train-Test Split
from sklearn.model_selection import train_test_split

X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)

الأخطاء الشائعة في التعلم الخاضع للإشراف

إليكم بعض الأخطاء التي ينبغي تجنّبها:

• عدم تقسيم البيانات إلى مجموعتي التدريب والاختبار.
• التسبب في فرط تكيّف النموذج باستخدام خوارزميات معقدة للغاية.
• استخدام بيانات ذات تسميات غير دقيقة للتدريب.

ماذا تعلّمنا؟

في هذا الدرس، تعلّمتم:

• كيفية بناء نماذج الانحدار والتصنيف باستخدام Scikit-learn.
• كيفية تقييم أداء النموذج باستخدام مقاييس مثل MSE والدقة.
• أهمية تقسيم البيانات إلى مجموعتي التدريب والاختبار.
• الأخطاء الشائعة التي ينبغي تجنّبها في مهام التعلم الخاضع للإشراف.

أحسنتم! لننتقل إلى الموضوع التالي.