LightGBM

آلة تعزيز التدرج الخفيف، المعروفة شيوعًا باسم LightGBM، هي إطار عمل مفتوح المصدر وموزع لتعزيز التدرج طوّرته Microsoft، ويستخدم خوارزميات تعلّم قائمة على الأشجار. صُمّم هذا الإطار ليكون موزعًا وفعّالًا، مع المزايا التالية: سرعة تدريب أعلى وكفاءة أكبر، واستهلاك أقل للذاكرة، ودقة أفضل، ودعم للتعلّم المتوازي والتعلّم باستخدام GPU، والقدرة على التعامل مع البيانات واسعة النطاق. وفي المشهد الأوسع لـتعلّم الآلة (ML)، يُعد أداة قوية للترتيب والتصنيف والعديد من مهام تعلّم الآلة الأخرى. ويحظى LightGBM بشعبية خاصة في علوم البيانات التنافسية والتطبيقات الصناعية، حيث تكون السرعة والأداء على البيانات المهيكلة من الأولويات القصوى.

كيفية عمل LightGBM#

في جوهره، يُعد LightGBM أسلوب تجميعيًا يجمع التنبؤات الصادرة عن عدة أشجار قرار لإنتاج تنبؤ نهائي. وعلى خلاف خوارزميات التعزيز التقليدية التي تنمّي الأشجار على مستوى الطبقات (أفقيًا)، يستخدم LightGBM استراتيجية نمو على مستوى الأوراق (رأسيًا). وهذا يعني أنه يختار الورقة ذات أكبر دلتا للخسارة لتنميتها. ويمكن لهذا النهج تقليل الخسارة بدرجة أكبر من الخوارزمية القائمة على مستوى الطبقات، مما يؤدي إلى [دقة](https://ultralytics-translation-2.invalid أعلى وتقارب أسرع.

للحفاظ على السرعة من دون التضحية بالدقة، يستخدم LightGBM تقنيتين مبتكرتين: أخذ العينات أحادي الجانب القائم على التدرج (GOSS)، وتجميع السمات الحصرية (EFB). يستبعد GOSS نسبة كبيرة من مثيلات البيانات ذات التدرجات الصغيرة، ويركّز التدريب على الأمثلة الأصعب تعلّمًا. أما EFB فيجمع السمات المتنافية لتقليل عدد السمات بفعالية. وتتيح هذه التحسينات للإطار معالجة كميات هائلة من بيانات التدريب بسرعة، مع الحفاظ على استهلاك منخفض للذاكرة.

تمييز LightGBM عن النماذج الأخرى#

لاختيار الأداة المناسبة، من المفيد مقارنة LightGBM بأطر العمل الشائعة الأخرى في مجال تعلّم الآلة.

• LightGBM في مقابل XGBoost: كلاهما مكتبتان قويتان لتعزيز التدرج. إلا أن XGBoost يستخدم تقليديًا استراتيجية نمو على مستوى الطبقات، وهي غالبًا أكثر استقرارًا لكنها أبطأ. ويكون نهج LightGBM القائم على الأوراق أسرع عمومًا وأكثر كفاءة في استخدام الذاكرة، رغم أنه قد يتطلب ضبطًا دقيقًا للمعلمات الفائقة لمنع فرط التكيّف على مجموعات البيانات الصغيرة.
• LightGBM في مقابل Ultralytics YOLO: يُعد LightGBM المعيار للبيانات المهيكلة (الجدولية)، بينما يُعد Ultralytics YOLO26 إطارًا لـالتعلّم العميق (DL) مصممًا للبيانات غير المهيكلة، مثل الصور والفيديو. وبينما قد يتنبأ LightGBM باتجاهات المبيعات، تتعامل نماذج YOLO مع مهام مثل اكتشاف الأجسام وتصنيف الصور. وغالبًا ما يجمع المطورون بين هاتين الأداتين على منصة Ultralytics لبناء حلول شاملة للذكاء الاصطناعي تستفيد من البيانات المرئية والرقمية معًا.

التطبيقات الواقعية#

يتميز LightGBM بالمرونة، ويُستخدم في مختلف القطاعات لحل مشكلات تنبؤية معقدة باستخدام البيانات المهيكلة.

1. تقييم المخاطر المالية: تستخدم البنوك وشركات التكنولوجيا المالية LightGBM في تقييم الجدارة الائتمانية واكتشاف الاحتيال. ومن خلال تحليل سجل المعاملات، والخصائص الديموغرافية للمستخدمين، والأنماط السلوكية، يستطيع النموذج تصنيف المعاملات بدقة، وفي الوقت الفعلي، إلى معاملات مشروعة أو احتيالية، مما يقلل الخسائر المالية بدرجة كبيرة.

2. التنبؤ بالطلب في قطاع التجزئة: يستخدم تجار التجزئة الإطار للتنبؤ باحتياجات المخزون. ومن خلال معالجة بيانات المبيعات التاريخية، والموسمية، والإنفاق التسويقي، يساعد LightGBM على تحسين سلاسل التوريد، بما يضمن توافر المنتجات عندما يحتاج إليها العملاء من دون الإفراط في التخزين. ويتوافق ذلك مع ممارسات التصنيع الذكي الحديثة.

مثال على التعليمات البرمجية#

يوضح مقتطف Python التالي كيفية تدريب مصنّف LightGBM أساسي على بيانات اصطناعية. ويفترض ذلك أنك أجريت المعالجة المسبقة للبيانات الأساسية.

import lightgbm as lgb
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# Generate synthetic binary classification data
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Initialize and train the LightGBM model
model = lgb.LGBMClassifier(learning_rate=0.05, n_estimators=100)
model.fit(X_train, y_train)

# Display the accuracy score
print(f"Test Accuracy: {model.score(X_test, y_test):.4f}")

للاطلاع المتعمق على المعلمات المحددة وتعليمات التثبيت، يمكنك زيارة وثائق LightGBM الرسمية. وغالبًا ما يتضمن دمج هذه النماذج في مسارات معالجة أكبر خطوات مثل تقييم النموذج لضمان موثوقيته في بيئات الإنتاج.