تجميع
عزّز دقة التنبؤ باستخدام طرق التجميع! تعلّم كيف يعزز الجمع بين نماذج متعددة الأداء في الكشف عن الأجسام، ومعالجة اللغة الطبيعية، والمزيد.
الطرق الجماعية هي تقنية قوية في التعلم الآلي (ML) حيث يتم دمج نماذج فردية متعددة لإنتاج نموذج تنبؤي واحد ومتفوق. الفكرة الأساسية هي أنه من خلال تجميع "حكمة" العديد من النماذج، سيكون التنبؤ النهائي أكثر دقة واستقرارًا وقوة من التنبؤ من أي نموذج مكون واحد. يشبه هذا النهج طلب المشورة من مجموعة متنوعة من الخبراء؛ غالبًا ما يكون القرار الجماعي أفضل من رأي أي خبير فردي. هذه التقنيات فعالة للغاية في تقليل التجاوز وتحسين تعميم النماذج على البيانات غير المرئية.
كيف تعمل التجميعات (Ensembles)؟
يتضمن التعلم الجماعي خطوتين رئيسيتين: تدريب مجموعة من النماذج الأساسية المتنوعة ثم دمج تنبؤاتها. التنوع بين النماذج الأساسية أمر بالغ الأهمية؛ إذا ارتكبت جميع النماذج نفس الأخطاء، فلن يوفر التجميع أي تحسين. يمكن تحقيق هذا التنوع باستخدام خوارزميات مختلفة، أو التدريب على مجموعات فرعية مختلفة من بيانات التدريب، أو استخدام معلمات فائقة مختلفة.
بمجرد تدريب النماذج، يتم تجميع تنبؤاتها. بالنسبة لمهام التصنيف، غالبًا ما يتم ذلك من خلال آلية التصويت (على سبيل المثال، الفئة التي تحصل على أكبر عدد من الأصوات تفوز). بالنسبة لمهام الانحدار، يتم عادةً حساب متوسط التنبؤات. غالبًا ما يُظهر النموذج المدمج الناتج أداءً أفضل، وهو مفهوم تم استكشافه في نظرية هيئة المحلفين لكوندورسيه.
تقنيات التجميع الشائعة
توجد عدة طرق شائعة لإنشاء مجموعات فعالة:
- تجميع البيانات (تجميع التمهيد): تتضمن هذه التقنية تدريب نماذج متعددة (مثل أشجار القرار) على مجموعات فرعية عشوائية مختلفة من بيانات التدريب. خوارزمية الغابة العشوائية هي تطبيق معروف لتجميع البيانات.
- التعزيز: يتم تدريب النماذج بالتسلسل، مع تركيز كل نموذج جديد على تصحيح الأخطاء التي ارتكبتها النماذج السابقة. تتضمن خوارزميات التعزيز البارزة AdaBoost و Gradient Boosting و XGBoost و LightGBM.
- التجميع (Stacked Generalization): تتضمن هذه الطريقة تدريب العديد من النماذج المختلفة (المتعلمين الأساسيين) واستخدام نموذج تعلم آلي آخر (متعلم فوقي) لتعلم أفضل طريقة للجمع بين تنبؤاتهم.
- التصويت والتبسيط: هذه هي أبسط الطرق، حيث يكون التوقع النهائي هو تصويت الأغلبية (التصويت الصارم) أو متوسط الاحتمالات المتوقعة (التصويت المرن) من جميع النماذج. تدعم نماذج Ultralytics YOLO شكلاً من أشكال التبسيط مع ميزة تجميع النماذج الخاصة بها.
تطبيقات واقعية
تُستخدم الطرق الجماعية على نطاق واسع في التطبيقات الهامة حيث تكون الدقة العالية ذات أهمية قصوى:
- تحليل الصور الطبية: في مهام مثل الكشف عن الأورام، يمكن استخدام مجموعة من الشبكات العصبية التلافيفية (CNNs). يمكن تدريب كل CNN على مجموعات فرعية مختلفة من الفحوصات الطبية أو بهياكل مختلفة. من خلال الجمع بين مخرجاتها، يمكن للنظام تحقيق تشخيص أكثر موثوقية ودقة، مما يقلل من خطر النتائج السلبية أو الإيجابية الخاطئة في تطبيقات مثل التصوير الطبي.
- الأنظمة الذاتية: بالنسبة إلى المركبات ذاتية القيادة، يُعد اكتشاف الأجسام الموثوق به مسألة سلامة. قد تجمع المجموعة بين نماذج مختلفة، مثل YOLOv8 و YOLO11، أو النماذج المدربة باستراتيجيات توسيع البيانات مختلفة. يقلل هذا النهج من خطر فشل نموذج واحد في اكتشاف أحد المشاة أو العوائق، مما يؤدي إلى نظام إدراك أكثر قوة.
المفاهيم الجماعية مقابل المفاهيم ذات الصلة
من المفيد التمييز بين طرق التجميع والمفاهيم الأخرى ذات الصلة:
- تجميع النماذج: غالبًا ما يستخدم هذا المصطلح بالتبادل مع "التجميع". في حين أن "التجميع" يشير إلى التقنية العامة، فإن تجميع النماذج يشير عادةً إلى التنفيذ العملي للجمع بين مثيلات نماذج مدربة محددة. المبدأ الأساسي هو نفسه.
- خليط الخبراء (MoE): على الرغم من أن كلاهما يستخدم نماذج متعددة، إلا أن آلياتهما تختلف. تجمع المجموعة بين التنبؤات من جميع النماذج لكل إدخال. في المقابل، يستخدم نموذج خليط الخبراء (MoE) شبكة بوابات لتحديد نموذج "الخبير" الأنسب ديناميكيًا لإدخال معين، باستخدام مجموعة فرعية فقط من النماذج لكل تنبؤ.
في حين أن المجموعات تضيف تعقيدًا وحملًا حسابيًا زائدًا إلى تدريب النموذج و نشره، فإن مكاسب الأداء غالبًا ما تبرر التكلفة. يمكن لمنصات مثل Ultralytics HUB تبسيط إدارة النماذج المتعددة المبنية باستخدام أطر عمل مثل PyTorch أو TensorFlow، مما يبسط إنشاء مجموعات قوية.
