الفرقة
عزز الدقة التنبؤية باستخدام أساليب التجميع! تعرّف على كيفية الجمع بين نماذج متعددة لتحسين الأداء في اكتشاف الأجسام، والبرمجة اللغوية العصبية وغيرها.
تُعد أساليب التجميع تقنية قوية في التعلم الآلي (ML) حيث يتم الجمع بين عدة نماذج فردية لإنتاج نموذج تنبؤي واحد متفوق. وتكمن الفكرة الأساسية في أنه من خلال تجميع "حكمة" العديد من النماذج، سيكون التنبؤ النهائي أكثر دقة واستقرارًا وقوة من التنبؤ من أي نموذج فردي مكون. ويماثل هذا النهج طلب المشورة من مجموعة متنوعة من الخبراء؛ وغالبًا ما يكون القرار الجماعي أفضل من رأي أي خبير فردي. تعتبر هذه التقنيات فعالة للغاية في الحد من الإفراط في التكييف وتحسين تعميم النماذج على البيانات غير المرئية.
كيفية عمل المجموعات
يتضمن التعلّم التجميعي خطوتين رئيسيتين: تدريب مجموعة من النماذج الأساسية المتنوعة ثم دمج تنبؤاتها. ويُعد التنوع بين النماذج الأساسية أمرًا بالغ الأهمية؛ فإذا ارتكبت جميع النماذج نفس الأخطاء، فلن تقدم المجموعة أي تحسين. ويمكن تحقيق هذا التنوع من خلال استخدام خوارزميات مختلفة، أو التدريب على مجموعات فرعية مختلفة من بيانات التدريب، أو استخدام معاملات فرعية مختلفة.
بمجرد تدريب النماذج، يتم تجميع تنبؤاتها. بالنسبة لمهام التصنيف، غالبًا ما يتم ذلك من خلال آلية تصويت (على سبيل المثال، تفوز الفئة التي تحصل على أكبر عدد من الأصوات). بالنسبة لمهام الانحدار، عادةً ما يتم حساب متوسط التنبؤات. غالبًا ما يُظهر النموذج المدمج الناتج أداءً أفضل، وهو مفهوم تم استكشافه في نظرية كوندورسيت جوريه.
تقنيات المجموعات المشتركة
توجد العديد من الطرق الشائعة لإنشاء مجموعات فعالة:
- التجميع (تجميع التمهيد): تتضمن هذه التقنية تدريب نماذج متعددة (مثل أشجار القرار) على مجموعات فرعية عشوائية مختلفة من بيانات التدريب. تعد خوارزمية الغابة العشوائية تطبيقًا معروفًا للتجميع العشوائي.
- التعزيز: يتم تدريب النماذج بالتتابع، مع تركيز كل نموذج جديد على تصحيح الأخطاء التي ارتكبتها النماذج السابقة. تشمل خوارزميات التعزيز البارزة AdaBoost و Gradient Boosting و XGBoost و LightGBM.
- التكديس (التعميم المكدس): تتضمن هذه الطريقة تدريب العديد من النماذج المختلفة (المتعلمين الأساسيين) واستخدام نموذج آخر للتعلم الآلي (متعلم ميتا) لتعلم كيفية الجمع بين تنبؤاتهم على أفضل وجه.
- التصويت والمتوسط: هذه هي أبسط الطرق، حيث يكون التنبؤ النهائي هو تصويت الأغلبية (التصويت الصعب) أو متوسط الاحتمالات المتوقعة (التصويت الناعم) من جميع النماذج. وتدعم نماذج Ultralytics YOLO شكلاً من أشكال التجميع باستخدام ميزة تجميع النماذج.
التطبيقات الواقعية
تُستخدم طرق التجميع على نطاق واسع في التطبيقات الحرجة التي تكون فيها الدقة العالية أمرًا بالغ الأهمية:
- تحليل الصور الطبية: في مهام مثل الكشف عن الأورام، يمكن استخدام مجموعة من الشبكات العصبية التلافيفية (CNNs). قد يتم تدريب كل شبكة من الشبكات العصبية التلافيفية على مجموعات فرعية مختلفة من عمليات المسح الطبي أو ببنى مختلفة. من خلال الجمع بين مخرجاتها، يمكن للنظام تحقيق تشخيص أكثر موثوقية ودقة في التشخيص، مما يقلل من مخاطر النتائج السلبية أو الإيجابية الخاطئة في تطبيقات مثل التصوير الطبي.
- الأنظمة ذاتية القيادة: بالنسبة للمركبات ذاتية القيادة، يعد الكشف الموثوق عن الأجسام مسألة سلامة. قد تجمع مجموعة من النماذج المختلفة، مثل YOLOv8 و YOLO11، أو النماذج المدربة باستراتيجيات مختلفة لزيادة البيانات. يخفف هذا النهج من مخاطر فشل نموذج واحد في اكتشاف أحد المشاة أو العوائق، مما يؤدي إلى نظام إدراك أكثر قوة.
المجموعة مقابل المفاهيم ذات الصلة
من المفيد تمييز طرق التجميع عن المفاهيم الأخرى ذات الصلة:
- المجموعة النموذجية: غالبًا ما يستخدم هذا المصطلح بالتبادل مع مصطلح "الفرقة". بينما يشير مصطلح "Ensemble" إلى التقنية العامة، يشير مصطلح " مجموعة النماذج" عادةً إلى التنفيذ العملي للجمع بين نماذج نموذجية محددة مدربة. المبدأ الأساسي هو نفسه.
- مزيج من الخبراء (MoE): بينما يستخدم كلاهما نماذج متعددة، إلا أن آلياتهما تختلف. تجمع المجموعة بين تنبؤات جميع النماذج لكل مدخلات. في المقابل، يستخدم نموذج مزيج الخبراء (MoE) شبكة بوابات لتحديد النموذج "الخبير" الأكثر ملاءمة لمدخلات معينة بشكل ديناميكي، باستخدام مجموعة فرعية فقط من النماذج لكل تنبؤ.
بينما تضيف المجموعات تعقيدًا ونفقات حسابية لتدريب الن ماذج ونشرها، فإن مكاسب الأداء غالبًا ما تبرر التكلفة. يمكن لمنصات مثل Ultralytics HUB تبسيط إدارة النماذج المتعددة التي تم إنشاؤها باستخدام أطر عمل مثل PyTorch أو TensorFlow، مما يسهل إنشاء مجموعات قوية.
