Feature Engineering

هندسة الميزات هي عملية تحويل البيانات الخام إلى مدخلات ذات معنى تعزز أداء نماذج تعلم الآلة. وهي تنطوي على الاستفادة من معرفة المجال لاختيار أو تعديل أو إنشاء متغيرات جديدة - تُعرف باسم الميزات - تساعد الخوارزميات على فهم الأنماط الموجودة في البيانات بشكل أفضل. وعلى الرغم من أن بنيات التعلم العميق الحديثة مثل الشبكات العصبية التلافيفية (CNNs) قادرة على تعلم الميزات تلقائيًا، تظل هندسة الميزات الصريحة خطوة حاسمة في العديد من سير العمل، خاصة عند التعامل مع البيانات المهيكلة أو عند محاولة تحسين كفاءة النموذج على الأجهزة الطرفية. ومن خلال تحسين بيانات الإدخال، يمكن للمطورين غالبًا تحقيق دقة أعلى باستخدام نماذج أبسط، مما يقلل الحاجة إلى موارد حوسبة هائلة.

Link to this sectionدور هندسة الميزات في الذكاء الاصطناعي#

في سياق الذكاء الاصطناعي (AI)، نادرًا ما تكون البيانات الخام جاهزة للمعالجة الفورية. فقد تحتاج الصور إلى تغيير حجمها، وقد يتطلب النص ترميزًا، وغالبًا ما تحتوي البيانات الجدولية على قيم مفقودة أو أعمدة غير ذات صلة. تعمل هندسة الميزات على سد الفجوة بين المعلومات الخام والتمثيلات الرياضية التي تتطلبها الخوارزميات. يمكن للهندسة الفعالة تسليط الضوء على العلاقات المهمة التي قد يغفل عنها النموذج، مثل الجمع بين "المسافة" و"الوقت" لإنشاء ميزة "السرعة". ترتبط هذه العملية ارتباطًا وثيقًا بـ معالجة البيانات، ولكن بينما تركز المعالجة المسبقة على التنظيف والتنسيق، تتعلق هندسة الميزات بالتعزيز الإبداعي لتعزيز القوة التنبؤية.

بالنسبة لمهام الرؤية الحاسوبية، تطورت هندسة الميزات بشكل ملحوظ. تضمنت الطرق التقليدية صياغة يدوية لمصافات مثل تحويل الميزات الثابتة الحجم (SIFT) لتحديد الحواف والزوايا. اليوم، تقوم نماذج التعلم العميق مثل YOLO26 باستخراج الميزات تلقائيًا داخل طبقاتها المخفية. ومع ذلك، لا تزال الهندسة تلعب دورًا حيويًا في إعداد مجموعات البيانات، مثل توليد بيانات اصطناعية أو تطبيق تقنيات تعزيز البيانات مثل الموزاييك والميكس أب لتعريض النماذج لاختلافات أكثر قوة في الميزات أثناء التدريب.

Link to this sectionالتقنيات والتطبيقات الشائعة#

تشمل هندسة الميزات مجموعة واسعة من الاستراتيجيات المصممة خصيصًا للمشكلة ونوع البيانات المحددين.

• تقليل الأبعاد: تقلل تقنيات مثل تحليل المكونات الرئيسية (PCA) من عدد المتغيرات مع الاحتفاظ بالمعلومات الأساسية، مما يمنع الإفراط في التخصيص في مجموعات البيانات عالية الأبعاد.
• ترميز المتغيرات الفئوية: تتطلب الخوارزميات عادةً مدخلات رقمية. تقوم طرق مثل الترميز الأحادي (one-hot encoding) بتحويل التسميات الفئوية (مثل "أحمر"، "أزرق") إلى متجهات ثنائية يمكن للنماذج معالجتها.
• التطبيع والقياس: يضمن قياس الميزات إلى نطاق قياسي عدم هيمنة المتغيرات ذات المقادير الأكبر (مثل أسعار المنازل) على تلك ذات النطاقات الأصغر (مثل عدد الغرف)، وهو أمر بالغ الأهمية للتحسين القائم على التدرج في الشبكات العصبية.
• التقسيم والتمييز: يمكن أن تساعد تجميع القيم المستمرة في فئات (مثل الفئات العمرية) النماذج على التعامل مع القيم المتطرفة بشكل أكثر فعالية والتقاط العلاقات غير الخطية.

Link to this sectionأمثلة من العالم الحقيقي#

يتم تطبيق هندسة الميزات عبر مختلف الصناعات لحل المشكلات المعقدة.

1. الصيانة التنبؤية في التصنيع: في التصنيع الذكي، تجمع المستشعرات بيانات خام عن الاهتزاز ودرجة الحرارة من الآلات. قد يقوم المهندسون بإنشاء ميزات تمثل "معدل التغير" في درجة الحرارة أو "المتوسط المتحرك" لشدة الاهتزاز. تسمح هذه الميزات المهندسة لنماذج كشف الشذوذ بالتنبؤ بفشل المعدات قبل أيام، بدلاً من مجرد الاستجابة لقراءات المستشعرات الحالية.

2. تقييم مخاطر الائتمان: تستخدم المؤسسات المالية هندسة الميزات لتقييم أهلية القروض. فبدلاً من النظر فقط إلى رقم "الدخل" الخام، قد يقومون بهندسة "نسبة الدين إلى الدخل" أو "نسبة استخدام الائتمان". توفر هذه الميزات المشتقة رؤية أكثر دقة للصحة المالية للمقترض، مما يتيح تصنيف مخاطر أكثر دقة.

Link to this sectionمثال برمجي: تعزيز الميزات المخصص#

في الرؤية الحاسوبية، يمكننا "هندسة" الميزات من خلال تعزيز الصور لمحاكاة ظروف بيئية مختلفة. يساعد هذا نماذج مثل YOLO26 على التعميم بشكل أفضل. يوضح المثال التالي كيفية تطبيق تحويل بسيط إلى تدرج الرمادي باستخدام أدوات ultralytics، مما يجبر النموذج على تعلم الميزات الهيكلية بدلاً من الاعتماد فقط على اللون.

import cv2
from ultralytics.data.augment import Albumentations

# Load an example image using OpenCV
img = cv2.imread("path/to/image.jpg")

# Define a transformation pipeline to engineer new visual features
# Here, we convert images to grayscale with a 50% probability
transform = Albumentations(p=1.0)
transform.transform = A.Compose([A.ToGray(p=0.5)])

# Apply the transformation to create a new input variation
augmented_img = transform(img)

# This process helps models focus on edges and shapes, improving robustness

Link to this sectionالتمييز عن المصطلحات ذات الصلة#

من المفيد تمييز هندسة الميزات عن المفاهيم المشابهة لتجنب الارتباك في مناقشات سير العمل.

• هندسة الميزات مقابل استخراج الميزات: على الرغم من استخدامهما بالتبادل غالبًا، إلا أن هناك دقة في المعنى. تشير هندسة الميزات إلى عملية يدوية إبداعية لبناء مدخلات جديدة بناءً على معرفة المجال. في المقابل، يشير استخراج الميزات غالبًا إلى طرق آلية أو إسقاطات رياضية (مثل PCA) التي تقطر البيانات عالية الأبعاد إلى تمثيل كثيف. في التعلم العميق (DL)، تقوم الطبقات في الشبكات العصبية التلافيفية (CNNs) باستخراج الميزات تلقائيًا عن طريق تعلم مرشحات للحواف والقوام.
• هندسة الميزات مقابل التضمينات: في معالجة اللغات الطبيعية (NLP) الحديثة، تم استبدال إنشاء الميزات اليدوي (مثل عد تكرار الكلمات) إلى حد كبير بـ التضمينات. التضمينات هي تمثيلات متجهة كثيفة يتعلمها النموذج نفسه لالتقاط المعنى الدلالي. وفي حين أن التضمينات هي شكل من أشكال الميزات، إلا أنها يتم تعلمها عبر عمليات تعلم الآلة الآلي (AutoML) بدلاً من أن يتم "هندستها" صراحةً يدويًا.

من خلال إتقان هندسة الميزات، يمكن للمطورين بناء نماذج ليست أكثر دقة فحسب، بل أكثر كفاءة أيضًا، مما يتطلب قوة حوسبة أقل لتحقيق أداء عالٍ. تسهل أدوات مثل منصة Ultralytics ذلك من خلال توفير واجهات بديهية لإدارة مجموعات البيانات وتدريب النماذج، مما يسمح للمستخدمين بالتكرار بسرعة في استراتيجيات الميزات الخاصة بهم.