CatBoost

CatBoost (التعزيز الفئوي) هو خوارزمية تعلّم آلي مفتوحة المصدر تستند إلى التعزيز التدرّجي باستخدام أشجار القرار. طوّرتها Yandex، وقد صُممت لتوفير أداء عالٍ مع الحد الأدنى من إعداد البيانات، وتتفوّق تحديدًا في التعامل مع البيانات الفئوية—أي المتغيرات التي تمثل مجموعات أو تسميات متميزة بدلًا من القيم العددية. في حين تتطلب الخوارزميات التقليدية غالبًا تقنيات معالجة مسبقة معقدة مثل الترميز أحادي البت لتحويل الفئات إلى أرقام، يستطيع CatBoost معالجة هذه الميزات مباشرةً أثناء التدريب. وتجعل هذه الإمكانية، إلى جانب قدرته على الحد من فرط التكيّف من خلال التعزيز المرتّب، منه خيارًا متينًا لمجموعة واسعة من مهام النمذجة التنبؤية في علم البيانات.

المزايا والآلية الأساسية#

يتميّز CatBoost عن أساليب التجميع الأخرى من خلال عدة خيارات معمارية تعطي الأولوية للدقة وسهولة الاستخدام.

• الدعم الأصلي للبيانات الفئوية: تستخدم الخوارزمية تقنية تُسمى إحصاءات الهدف المرتّبة لتحويل القيم الفئوية إلى أرقام أثناء التدريب. ويمنع ذلك تسرّب الهدف الذي غالبًا ما يظهر مع أساليب الترميز القياسية، مع الحفاظ على سلامة عملية التحقق.
• التعزيز المرتّب: قد تعاني أساليب التعزيز التدرّجي القياسية من انزياح التنبؤ، وهو نوع من التحيز في الذكاء الاصطناعي. يعالج CatBoost ذلك باستخدام أسلوب قائم على التبديل لتدريب النموذج، مما يضمن عدم فرط تكيّف النموذج مع توزيع بيانات التدريب المحدد.
• الأشجار المتماثلة: على خلاف العديد من مكتبات التعزيز الأخرى التي تنمّي الأشجار بحسب العمق أو بحسب الأوراق، يبني CatBoost أشجارًا متماثلة (متوازنة). ويتيح هذا الهيكل سرعات استدلال فائقة، وهو أمر بالغ الأهمية لتطبيقات الاستدلال في الوقت الفعلي.

CatBoost مقابل XGBoost وLightGBM#

يُقيَّم CatBoost كثيرًا إلى جانب مكتبات التعزيز الشائعة الأخرى. ورغم اشتراكها في الإطار الأساسي نفسه، فإن لها خصائص مميزة.

• XGBoost: مكتبة مرنة للغاية وشائعة الاستخدام، ومعروفة بأدائها في مسابقات علم البيانات. وتتطلب عادةً ضبطًا دقيقًا لـالمعلمات الفائقة وترميزًا يدويًا للمتغيرات الفئوية للوصول إلى أفضل أداء.
• LightGBM: تستخدم هذه المكتبة استراتيجية نمو بحسب الأوراق، مما يجعلها سريعة للغاية في التدريب على مجموعات البيانات الضخمة. إلا أنها، من دون تنظيم دقيق، قد تكون أكثر عرضة لـفرط التكيّف على مجموعات البيانات الأصغر مقارنةً بأشجار CatBoost المتماثلة والمستقرة.
• CatBoost: يوفّر غالبًا أفضل دقة «جاهزة للاستخدام» باستخدام المعلمات الافتراضية. ويُعد عمومًا الخيار المفضّل عندما تحتوي مجموعات البيانات على عدد كبير من الميزات الفئوية، مما يقلل الحاجة إلى هندسة الميزات المكثفة.

التطبيقات الواقعية#

تجعل متانة CatBoost منه أداة متعددة الاستخدامات في مختلف الصناعات التي تتعامل مع البيانات المنظمة.

1. تقييم المخاطر المالية: تستخدم البنوك وشركات التكنولوجيا المالية CatBoost لتقييم أهلية الحصول على القروض والتنبؤ بالتعثر الائتماني. ويمكن للنموذج دمج أنواع متنوعة من البيانات بسلاسة، مثل مهنة مقدم الطلب (فئوية) ومستوى الدخل (عددي)، لإنشاء ملفات دقيقة للمخاطر. وتُعد هذه الإمكانية ركيزة أساسية من ركائز الذكاء الاصطناعي في التمويل الحديث.

2. توصيات التجارة الإلكترونية: يستفيد تجار التجزئة عبر الإنترنت من CatBoost لتشغيل أنظمة التوصية المخصصة. ومن خلال تحليل سجلات سلوك المستخدم وفئات المنتجات وسجل المشتريات، تتنبأ الخوارزمية باحتمال نقر المستخدم على عنصر أو شرائه، مما يسهم مباشرةً في تحسين الذكاء الاصطناعي في تجارة التجزئة.

التكامل مع الرؤية الحاسوبية#

رغم أن CatBoost أداة مخصصة أساسًا للبيانات الجدولية، فإنه يؤدي دورًا مهمًا في سير عمل النماذج متعددة الوسائط، حيث تلتقي البيانات المرئية بالبيانات الوصفية المنظمة. ويتضمن سير العمل الشائع استخدام نموذج للرؤية الحاسوبية لاستخراج الميزات من الصور، ثم تمرير تلك الميزات إلى مصنّف CatBoost.

على سبيل المثال، قد يستخدم نظام لتقييم العقارات Ultralytics YOLO26 لإجراء اكتشاف الأجسام في صور العقارات، مع إحصاء وسائل الراحة مثل حمامات السباحة أو الألواح الشمسية. ثم تُمرَّر أعداد هذه الأجسام بوصفها ميزات عددية إلى نموذج CatBoost، إلى جانب بيانات الموقع والمساحة، للتنبؤ بقيمة المنزل. ويمكن للمطورين إدارة مكوّن الرؤية في مسارات العمل هذه باستخدام Ultralytics Platform، التي تبسّط إدارة مجموعات البيانات ونشر النماذج.

يوضح المثال التالي كيفية تحميل نموذج YOLO مُدرَّب مسبقًا لاستخراج أعداد الأجسام من صورة، والتي يمكن أن تُستخدم بعد ذلك بوصفها ميزات إدخال لنموذج CatBoost.

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("path/to/property_image.jpg")

# Extract class counts (e.g., counting 'cars' or 'pools')
# This dictionary can be converted to a feature vector for CatBoost
class_counts = {}
for result in results:
    for cls in result.boxes.cls:
        class_name = model.names[int(cls)]
        class_counts[class_name] = class_counts.get(class_name, 0) + 1

print(f"Features for CatBoost: {class_counts}")