Linear Regression

الانحدار الخطي هو طريقة إحصائية أساسية وخوارزمية أساسية في التعلم الخاضع للإشراف تُستخدم لنمذجة العلاقة بين متغيّر تابع (الهدف) ومتغيّر مستقل واحد أو أكثر (الميزات). على عكس خوارزميات التصنيف التي تتنبأ بفئات منفصلة، يتنبأ الانحدار الخطي بناتج مستمر، مما يجعله ضروريًا للمهام التي يكون فيها الهدف توقع قيم عددية محددة. وتعمل بساطته وقابليته للتفسير كبوابة لفهم مفاهيم التعلم الآلي (ML) الأكثر تعقيدًا، حيث يقدم الآليات الأساسية لكيفية تعلم النماذج من البيانات عن طريق تقليل الخطأ إلى أدنى حد.

الآليات الأساسية والتدريب#

الهدف الأساسي لهذه التقنية هو العثور على "خط الأنسب" — أو المستوي الفائق في الأبعاد الأعلى — الذي يصف نمط البيانات بشكل أفضل. ولتحقيق ذلك، تحسب الخوارزمية مجموعاً موزوناً لميزات الإدخال مضافاً إليه مصطلح الانحياز. وأثناء عملية التدريب، يقوم النموذج بضبط هذه المعلمات الداخلية تكرارياً، والمعروفة باسم الأوزان والانحيازات، لتقليل التناقض بين تنبؤاته والحقيقة الأرضية الفعلية.

يتم قياس هذا التناقض كمياً باستخدام دالة الخسارة، والخيار الأكثر شيوعاً هو متوسط المربعات الخطأ (MSE). ولتقليل الخسارة بفعالية، يتم استخدام خوارزمية تحسين مثل الانحدار التدريجي لتحديث الأوزان. إذا توافق النموذج بشكل وثيق للغاية مع الضوضاء الموجودة في بيانات التدريب، فهو يواجه خطر التفرط في التخصيص، في حين يعاني النموذج الذي يكون أبسط من اللازم لالتقاط الاتجاه الأساسي من القصور في التخصيص.

تطبيقات العالم الحقيقي في الذكاء الاصطناعي#

على الرغم من ارتباط مبادئ الانحدار الخطي غالباً بالنمذجة التنبؤية البسيطة في تحليلات البيانات، إلا أنها متجذرة بعمق في بنيات التعلم العميق (DL) المتقدمة.

• التنبؤ المالي: يستخدم المحللون الانحدار للتنبؤ بأسعار المساكن، أو قيم الأسهم، أو إيرادات المبيعات بناءً على نقاط بيانات تاريخية مثل المساحة، أو الموقع، أو اتجاهات السوق السابقة.
• الرؤية الحاسوبية واكتشاف الكائنات: تستخدم كاشفات الكائنات الحديثة، مثل عائلة نماذج YOLO26، الانحدار في رؤوس الكشف الخاصة بها. وتحديداً، يجرى النموذج "انحدار صندوق الإحاطة" للتنبؤ بالإحداثيات المستمرة الدقيقة (مركز س، مركز ص، العرض، الارتفاع) لكائن ما داخل الصورة.

الانحدار الخطي مقابل الانحدار اللوجستي#

من المهم التمييز بين هذا المصطلح والانحدار اللوجستي. على الرغم من أن كلاهما نماذج خطية، إلا أن مخرجاتهما تختلف بشكل كبير. يتنبأ الانحدار الخطي بـقيمة رقمية مستمرة (على سبيل المثال، سعر السيارة). وفي المقابل، يُستخدم الانحدار اللوجستي لـمهام التصنيف، حيث يتنبأ باحتمالية انتماء مدخل إلى فئة معينة (مثل ما إذا كان البريد الإلكتروني "رسائل غير مرغوب فيها" أو "ليس رسائل غير مرغوب فيها") عن طريق تمرير الناتج الخطي عبر دالة تنشيط مثل الدالة السينية.

مثال: الانحدار في اكتشاف الكائنات#

في سياق رؤية الكمبيوتر، عندما يقوم نموذج مثل Ultralytics YOLO26 اكتشاف كائن ما، فإن إحداثيات مربع التحديد تكون نتيجة لمهمة انحدار. يتنبأ النموذج بقيم مستمرة لتحديد موقع الكائن بدقة.

from ultralytics import YOLO

# Load the YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image
# The model uses regression to determine the exact box placement
results = model("https://ultralytics.com/images/bus.jpg")

# Display the continuous regression outputs (x, y, width, height)
for box in results[0].boxes:
    print(f"Box Regression Output (xywh): {box.xywh.numpy()}")

يمكن للمستخدمين الذين يتطلعون إلى تدريب نماذج مخصصة تستفيد من قدرات الانحدار هذه لمجموعات البيانات المتخصصة استخدام Ultralytics Platform للتعليق المبسط والتدريب السحابي. يوفر فهم مبادئ الانحدار الأساسية هذه أساساً متيناً لإتقان المهام المعقدة في الذكاء الاصطناعي (AI) والرؤية الحاسوبية.