Ensemble

يُعدّ التعلّم بالتجميع استراتيجيةً قوية في تعلّم الآلة (ML)، حيث تُدمج نماذج مستقلة متعددة، يُشار إليها غالبًا باسم «المتعلّمين الضعفاء»، لإنتاج مخرج تنبؤي واحد. وتتمثل الفكرة الأساسية في أن مجموعة من النماذج يمكنها غالبًا تحقيق دقة أعلى وقدرة أفضل على التعميم مقارنةً بأي نموذج واحد يعمل بمفرده. ومن خلال تجميع التنبؤات الصادرة عن خوارزميات متنوعة، تقلّل أساليب التجميع بفاعلية من خطر فرط التكيّف مع بيانات التدريب، وتخفف الأخطاء العشوائية، وتحسّن استقرار النظام عمومًا. ويشبه هذا النهج استشارة لجنة من الخبراء بدلًا من الاعتماد على رأي فرد واحد لاتخاذ قرار مهم.

آليات التعلّم بالتجميع#

تكمن فعالية أساليب التجميع في قدرتها على معالجة الموازنة بين الانحياز والتباين. فقد تعاني النماذج الفردية من تباين مرتفع (حساسية للضوضاء) أو انحياز مرتفع (تبسيط مفرط). وتخفف عملية التجميع هذه المشكلات من خلال تقنيات محددة:

• التجميع بالت bootstrap (Bagging): تتضمن هذه التقنية تدريب نسخ متعددة من الخوارزمية نفسها على مجموعات فرعية مختلفة من مجموعة البيانات. ومن أشهر الأمثلة خوارزمية الغابة العشوائية، التي تجمع قرارات العديد من أشجار القرار لتقليل التباين.
• التعزيز: بخلاف التجميع، يدرّب التعزيز النماذج بالتتابع. ويركز كل نموذج جديد على تصحيح الأخطاء التي ارتكبتها النماذج السابقة. وتستخدم أطر عمل شائعة مثل LightGBM وCatBoost هذه الطريقة لإنشاء أنظمة تنبؤية عالية الدقة.
• التكديس (التعميم المكدّس): يتضمن ذلك تدريب «نموذج فوقي» جديد لدمج تنبؤات عدة نماذج أساسية غير متجانسة (مثل شبكة عصبية وآلة متجهات الدعم).

التجميع في الرؤية الحاسوبية#

في مجال الرؤية الحاسوبية (CV)، تُستخدم التجميعات كثيرًا لتعظيم الأداء في المسابقات وتطبيقات السلامة الحرجة. وفي اكتشاف الأجسام، يتضمن ذلك غالبًا تشغيل نماذج متعددة—مثل الإصدارات المختلفة من YOLO26—على الصورة نفسها. ثم تُدمج المربعات المحيطة الناتجة باستخدام تقنيات مثل قمع غير الأعظم (NMS) أو دمج المربعات الموزون (WBF) لاشتقاق مواضع الأجسام الأكثر احتمالًا.

التطبيقات الواقعية#

تنتشر أساليب التجميع في الصناعات التي تُعدّ فيها موثوقية التنبؤ أمرًا بالغ الأهمية.

1. التشخيص والتصوير الطبي: في مجال الرعاية الصحية، يُعدّ تجنب النتائج السلبية الكاذبة أمرًا بالغ الأهمية. وقد يجمع التجميع بين شبكة عصبية التفافية (CNN) مدرّبة على صور الأشعة السينية ومحوّل الرؤية (ViT) لاكتشاف الحالات الشاذة. ويوفر التوافق بين النماذج درجة ثقة أعلى، مما يساعد أطباء الأشعة في اكتشاف الأورام أو تشخيص الحالات النادرة.

2. اكتشاف الاحتيال المالي: تستخدم المؤسسات المالية التجميعات لتحليل أنماط المعاملات. ومن خلال الجمع بين نماذج الانحدار اللوجستي وآلات التعزيز التدريجي، يستطيع النظام اكتشاف المؤشرات الدقيقة للاحتيال التي قد يفوّت نموذج واحد اكتشافها، مع الحفاظ على انخفاض معدلات الإنذارات الكاذبة.

تنفيذ تجميع النماذج باستخدام Python#

يمكنك محاكاة تجميع استدلال أساسي من خلال تحميل عدة نماذج مدرّبة وإنشاء تنبؤات للمدخل نفسه. وتتيح لك منصة Ultralytics تدريب هذه المتغيرات بسهولة. يوضح المثال التالي تحميل نموذجين مختلفين من Ultralytics YOLO (YOLO26n وYOLO26s) للتحقق من الاكتشافات في صورة.

from ultralytics import YOLO

# Load two distinct YOLO26 model variants
# 'n' (nano) is faster, 's' (small) is more accurate
model_nano = YOLO("yolo26n.pt")
model_small = YOLO("yolo26s.pt")

# Define the image source
source = "https://ultralytics.com/images/bus.jpg"

# Run inference with both models
results_n = model_nano(source)
results_s = model_small(source)

# Compare the number of objects detected by each model
print(f"Nano Model Found: {len(results_n[0].boxes)} objects")
print(f"Small Model Found: {len(results_s[0].boxes)} objects")

التجميع مقابل زيادة البيانات#

من المهم التمييز بين تعلّم التجميع وزيادة البيانات.

• يركز التجميع على مرحلتي البنية والتنبؤ، من خلال الجمع بين عدة نماذج متميزة ومدرّبة لتحسين النتائج.
• تركز زيادة البيانات على مرحلة بيانات التدريب، إذ تزيد تنوع مجموعة البيانات اصطناعيًا (مثلًا عبر التدوير أو القلب) لتدريب نموذج واحد أكثر متانة.

وبينما تساعد زيادة البيانات نموذجًا واحدًا على التعلّم بصورة أفضل، يساعد التعلّم بالتجميع عدة نماذج على التحقق من مخرجات بعضها بعضًا. وغالبًا ما تُستخدم الاستراتيجيتان معًا لتحقيق نتائج متقدمة في مهام مثل تجزئة المثيلات وتقدير الوضعية.