Linear Regression

يعد الانحدار الخطي أسلوباً إحصائياً أساسياً وخوارزمية جوهرية في التعلم الخاضع للإشراف تُستخدم لنمذجة العلاقة بين متغير تابع (المستهدف) ومتغير مستقل واحد أو أكثر (الميزات). وعلى عكس خوارزميات التصنيف التي تتنبأ بفئات منفصلة، يتنبأ الانحدار الخطي بمخرجات مستمرة، مما يجعله ضرورياً للمهام التي يكون فيها الهدف هو التنبؤ بقيم رقمية محددة. بساطته وقابليته للتفسير تجعل منه بوابة لفهم مفاهيم أكثر تعقيداً في التعلم الآلي (ML)، حيث يقدم الآليات الأساسية لكيفية تعلم النماذج من البيانات عن طريق تقليل الخطأ.

Link to this sectionالآليات الأساسية والتدريب#

يتمثل الهدف الرئيسي لهذه التقنية في العثور على "خط أفضل ملاءمة"—أو مستوٍ فائق في أبعاد أعلى—يصف نمط البيانات بأفضل شكل. لتحقيق ذلك، تقوم الخوارزمية بحساب مجموع مرجح لميزات الإدخال مضافاً إليه حد التحيز. أثناء عملية التدريب، يقوم النموذج بتعديل هذه المعلمات الداخلية بشكل تكراري، والمعروفة باسم الأوزان والتحيزات، لتقليل التباين بين تنبؤاته والحقيقة الأساسية الفعلية.

يتم قياس هذا التباين باستخدام دالة الخسارة، حيث يكون الخيار الأكثر شيوعاً هو متوسط مربع الخطأ (MSE). ولتقليل الخسارة بفعالية، يتم توظيف خوارزمية تحسين مثل الانحدار الاشتقاقي لتحديث الأوزان. إذا توافق النموذج بشكل وثيق جداً مع الضوضاء الموجودة في بيانات التدريب، فإنه يخاطر بـ الإفراط في التخصيص، بينما يعاني النموذج البسيط جداً الذي لا يستطيع التقاط الاتجاه الأساسي من نقص التخصيص.

Link to this sectionتطبيقات العالم الحقيقي في الذكاء الاصطناعي#

على الرغم من ارتباطه غالباً بـ النمذجة التنبؤية البسيطة في تحليلات البيانات، إلا أن مبادئ الانحدار الخطي راسخة 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 كواشف الكائنات الحديثة، مثل عائلة نماذج YOLO26، الانحدار في رؤوس الاكتشاف الخاصة بها. وبشكل محدد، يقوم النموذج بإجراء "انحدار إطار التحديد" للتنبؤ بالإحداثيات المستمرة الدقيقة (مركز x، مركز y، العرض، الارتفاع) لكائن داخل صورة.

Link to this sectionالانحدار الخطي مقابل الانحدار اللوجستي#

من المهم التمييز بين هذا المصطلح والانحدار اللوجستي. على الرغم من أن كلاهما نموذجان خطيان، إلا أن مخرجاتهما تختلف بشكل كبير. يتنبأ الانحدار الخطي بـ قيمة رقمية مستمرة (مثل سعر سيارة). في المقابل، يُستخدم الانحدار اللوجستي لـ مهام التصنيف، حيث يتنبأ باحتمالية أن ينتمي مدخل إلى فئة معينة (مثل ما إذا كان البريد الإلكتروني "رسالة مزعجة" أو "ليس رسالة مزعجة") عن طريق تمرير المخرج الخطي عبر دالة تنشيط مثل دالة السيني (sigmoid).

Link to this sectionمثال: الانحدار في اكتشاف الكائنات#

في سياق الرؤية الحاسوبية، عندما يكتشف نموذج مثل YOLO26 كائناً ما، فإن إحداثيات إطار 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 بيانات متخصصة استخدام منصة Ultralytics لتبسيط عمليات وضع العلامات والتدريب السحابي. يوفر فهم مبادئ الانحدار الأساسية هذه أساساً صلباً لإتقان المهام المعقدة في الذكاء الاصطناعي (AI) والرؤية الحاسوبية.