هندسة السمات واختيارها
اكتشفوا تقنيات تعزيز القدرة التنبؤية لنماذجكم
هندسة السمات واختيارها درس مجاني في Python For Kids على CoddyKit. هذا هو الدرس 4 من أصل 6. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Python For Kids، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Python For Kids 6 دروس في المجموع.
هندسة السمات واختيارها
تُعد هندسة السمات واختيارها خطوتين أساسيتين لبناء نماذج فعّالة لتعلّم الآلة. وتتضمن هاتان العمليتان إنشاء سمات جديدة واختيار السمات الأكثر صلة لتحسين أداء النموذج.
في هذا الدرس، ستتعلمون تقنيات هندسة السمات واختيارها لتعزيز دقة التنبؤ.
ما هندسة السمات؟
تتضمن هندسة السمات إنشاء سمات جديدة من البيانات الخام لجعل نماذج تعلّم الآلة أكثر فعالية. ومن أمثلتها:
- استخراج سمات مرتبطة بالوقت، مثل اليوم أو الشهر أو الساعة، من الطوابع الزمنية.
- دمج عدة سمات في سمة جديدة.
- تحجيم السمات الرقمية لتوحيد نطاقها.
إنشاء سمات جديدة
لننشئ سمات جديدة استنادًا إلى البيانات الحالية:
# Example: Creating new features
import pandas as pd
data = {'Timestamp': ['2025-01-01 12:00:00', '2025-01-02 15:30:00']}
df = pd.DataFrame(data)
df['Hour'] = pd.to_datetime(df['Timestamp']).dt.hour
df['Day'] = pd.to_datetime(df['Timestamp']).dt.day
print(df)تحجيم السمات
يضمن التحجيم أن تكون جميع السمات الرقمية على المقياس نفسه، مما يحسّن أداء النموذج:
# Example: Scaling features
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
values = [[10], [20], [30]]
scaled_values = scaler.fit_transform(values)
print(scaled_values)اختيار السمات
يتضمن اختيار السمات تحديد السمات الأكثر صلة بالنموذج. وتشمل الأساليب الشائعة ما يلي:
- أساليب التصفية: اختيار السمات استنادًا إلى مقاييس إحصائية مثل الارتباط.
- أساليب التغليف: استخدام خوارزميات مثل Recursive Feature Elimination (RFE).
- الأساليب المضمّنة: اختيار السمات أثناء تدريب النموذج، مثل انحدار Lasso.
اختيار السمات المستند إلى الارتباط
قد تكون السمات شديدة الارتباط زائدة عن الحاجة. استخدموا Pandas لحساب الارتباطات:
# Example: Correlation-based feature selection
import pandas as pd
data = {'Feature1': [1, 2, 3], 'Feature2': [2, 4, 6], 'Feature3': [1, 1, 1]}
df = pd.DataFrame(data)
print(df.corr())الإزالة التكرارية للميزات (RFE)
تُعد RFE طريقة تغليف تزيل الميزات الأقل أهمية تكراريًا:
# Example: RFE
from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
y = [0, 1, 0]
model = LogisticRegression()
rfe = RFE(model, n_features_to_select=2)
rfe.fit(X, y)
print("Selected Features:", rfe.support_)أهمية الميزات باستخدام النماذج القائمة على الأشجار
توفر النماذج القائمة على الأشجار، مثل Random Forests، درجات لأهمية الميزات:
# Example: Feature importance
from sklearn.ensemble import RandomForestClassifier
X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
y = [0, 1, 0]
model = RandomForestClassifier()
model.fit(X, y)
print("Feature Importances:", model.feature_importances_)الأخطاء الشائعة في هندسة السمات
إليكم بعض الأخطاء التي ينبغي تجنبها:
- إنشاء عدد كبير جدًا من السمات، مما قد يؤدي إلى فرط التكيّف.
- تجاهل الحاجة إلى التحجيم في الخوارزميات المستندة إلى المسافة.
- استخدام سمات شديدة الارتباط، مما يسبب التكرار.
ماذا تعلمتم؟
في هذا الدرس، تعلمتم:
- أهمية هندسة السمات واختيارها في تعلّم الآلة.
- تقنيات إنشاء سمات جديدة وتحجيم السمات الرقمية.
- كيفية اختيار السمات ذات الصلة باستخدام أساليب مثل RFE والنماذج المستندة إلى الأشجار.
- الأخطاء الشائعة التي ينبغي تجنبها أثناء هندسة السمات.
أحسنتم! لننتقل إلى الموضوع التالي.
الأسئلة الشائعة
هل درس «هندسة السمات واختيارها» مجاني؟
نعم — نص درس «هندسة السمات واختيارها» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Python For Kids، انتقل إلى CoddyKit PRO. تتضمن دورة Python For Kids 6 دروس في المجموع.
ماذا ستتعلم في «هندسة السمات واختيارها»؟
اكتشفوا تقنيات تعزيز القدرة التنبؤية لنماذجكم تتمرن على Python For Kids مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ Python For Kids؟
لا تُشترط خبرة سابقة. Python For Kids على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 4 من أصل 6.
كم من الوقت يستغرق درس «هندسة السمات واختيارها»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس Python For Kids هذا؟
نعم. كل درس في Python For Kids يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- مقدمة إلى تعلّم الآلة
- التعلّم الخاضع للإشراف باستخدام Scikit-Learn
- التعلّم غير الخاضع للإشراف
- هندسة السمات واختيارها
- مقدمة إلى الشبكات العصبية
- مقدمة إلى TensorFlow وKeras