Naive Bayes

الخوارزمية الساذجة بايز (Naive Bayes) هي عائلة من الخوارزميات الاحتمالية المستخدمة على نطاق واسع في التعلم الآلي لمهام التصنيف. ترتكز على المبادئ الإحصائية، وتطبق نظرية بايز مع افتراض استقلال قوي (أو "ساذج") بين الميزات. على الرغم من بساطتها، إلا أن هذه الطريقة فعالة للغاية لتصنيف البيانات، لا سيما في السيناريوهات التي تتضمن مجموعات بيانات عالية الأبعاد مثل النصوص. وهي بمثابة لبنة أساسية في مجال التعلم الخاضع للإشراف، حيث توفر توازناً بين الكفاءة الحسابية والأداء التنبؤي.

المفهوم الأساسي: الافتراض "الساذج"#

تتنبأ الخوارزمية باحتمالية أن تنتمي نقطة بيانات معينة إلى فئة محددة. وينبع الجانب "الساذج" من افتراض أن وجود ميزة معينة في فئة ما ليس له علاقة بوجود أي ميزة أخرى. على سبيل المثال، قد تعتبر الفاكهة تفاحة إذا كانت حمراء ومستطيلة الشكل ويبلغ قطرها حوالي 3 بوصات. يعتبر مصنف بايز الساذج كل نقطة من نقاط استخراج الميزات هذه بشكل مستقل لحساب احتمالية أن تكون الفاكهة تفاحة، بغض النظر عن أي ارتباطات محتملة بين اللون والاستدارة والحجم.

هذا تبسيط يقلل بشكل كبير من القدرة الحسابية المطلوبة لـ تدريب النموذج، مما يجعل الخوارزمية سريعة بشكل استثنائي. ومع ذلك، نظراً لأن بيانات العالم الحقيقي غالباً ما تحتوي على متغيرات تابعــة وعلاقات معقدة، فإن هذا الافتراض يمكن أن يحد أحياناً من أداء النموذج مقارنة بالبنى الأكثر تعقيداً.

تطبيقات العالم الحقيقي#

تتألق خوارزمية سذاجة بايز (Naive Bayes) في التطبيقات التي تكون فيها السرعة أمراً بالغ الأهمية ويكون افتراض الاستقلالية مقبولاً إلى حد معقول.

• تصفية البريد العشوائي: أحد أشهر استخدامات بايز الساذج هو في معالجة اللغة الطبيعية (NLP) لتصفية البريد الإلكتروني. يحلل المصنف تكرار الكلمات (الرموز) في البريد الإلكتروني لتحديد ما إذا كان "بريداً عشوائياً" أو "بريداً شرعياً". وهو يحسِب احتمالية أن تكون الرسالة بريداً عشوائياً في ظل وجود كلمات مثل "مجاني" أو "فائز" أو "عاجل". يعتمد هذا التطبيق بشكل كبير على تقنيات تصنيف النصوص للحفاظ على نظافة صناديق البريد الوارد.
• تحليل المشاعر: تستخدم الشركات هذه الخوارزمية لقياس الرأي العام من خلال تحليل تقييمات العملاء أو منشورات وسائل التواصل الاجتماعي. من خلال ربط كلمات محددة بمشاعر إيجابية أو سلبية، يمكن للنموذج تصنيف كميات هائلة من التعليقات بسرعة. يتيح ذلك للشركات إجراء تحليل المشاعر واسع النطاق لفهم تصور العلامة التجارية دون قراءة كل تعليق يدوياً.

مقارنة بين سذاجة بايز (Naive Bayes) والتعلم العميق في رؤية الحاسوب#

في حين أن بايز الساذج قوي للنصوص، إلا أنه غالباً ما يعاني من المهام الإدراكية مثل رؤية الكمبيوتر (CV). في الصورة، تعتمد قيمة البكسل الواحد عادة بشكل كبير على جيرانه (على سبيل المثال، مجموعة من وحدات البكسل التي تشكل حافة أو نسقاً). ينهار افتراض الاستقلال هنا.

بالنسبة للتهيئة البصرية المعقدة مثل اكتشاف الكائنات، يُفضل استخدام نماذج التعلم العميق (DL) الحديثة. تستخدم البنى مثل YOLO26 طبقات الالتفاف لالتقاط التسلسلات الهرمية المكانية وتفاعلات الميزات التي يتجاهلها بايز الساذج. في حين أن بايز الساذج يوفر أساساً احتمابياً، فإن نماذج مثل YOLO26 توفر الدقة العالية المطلوبة للقيادة الذاتية أو التشخيص الطبي. لإدارة مجموعات البيانات المطلوبة لنماذج الرؤية المعقدة هذه، توفر أدوات مثل منصة Ultralytics تعليقات توضيحية مبسطة وسير عمل للتدريب تتجاوز بكثير التعامل مع البيانات الجدولية البسيطة.

مقارنة مع الشبكات البايزية#

من المفيد التمييز بين بايز الساذج والمفهوم الأوسع لـ شبكة بايزي.

• سذاجة بايز (Naive Bayes): شكل متخصص ومبسط من الشبكة البايزية حيث تشير جميع عقد التنبؤ مباشرة إلى عقدة الفئة، ولا توجد اتصالات بين المتنبئات.
• الشبكات البايزية: تستخدم هذه الشبكات رسماً بيانياً مووجهاً بلا دورات (DAG) لنمذجة التبعيات الشرطية المعقدة بين المتغيرات. ويمكنها تمثيل العلاقات السببية التي يبسطها النهج "الساذج" بعيداً.

مثال على التنفيذ#

بينما تركز حزمة ultralytics على التعلم العميق، يتم تنفيذ بايز الساذج عادةً باستخدام مكتبة scikit-learn القياسية. يوضح المثال التالي كيفية تدريب نموذج بايز الساذج الغاوسي، وهو مفيد للبيانات المستمرة.

import numpy as np
from sklearn.naive_bayes import GaussianNB

# Sample training data: [height (cm), weight (kg)] and Labels (0: Cat A, 1: Cat B)
X = np.array([[175, 70], [180, 80], [160, 50], [155, 45]])
y = np.array([0, 0, 1, 1])

# Initialize and train the classifier
model = GaussianNB()
model.fit(X, y)

# Predict class for a new individual [172 cm, 75 kg]
# Returns the predicted class label (0 or 1)
print(f"Predicted Class: {model.predict([[172, 75]])[0]}")

المزايا والقيود#

تتمثل الميزة الأساسية لـ بايز الساذج في زمن استجابة الاستدلال المنخفض للغاية ومتطلبات الأجهزة الأدنى. ويمكنه تفسير مجموعات البيانات الضخمة التي قد تبطئ خوارزميات أخرى مثل آلات المتجهات الداعمة (SVM). علاوة على ذلك، فهو يعمل بشكل جيد بشكل مدهش حتى عندما يتم انتهاك افتراض الاستقلال.

ومع ذلك، فإن اعتماده على ميزات مستقلة يَعني أنه لا يستطيع التقاط التفاعلات بين السمات. إذا كان التنبؤ يعتمد على مجموعة من الكلمات (على سبيل المثال، "ليس جيداً")، فقد يعاني بايز الساذج مقارنة بالنماذج التي تستخدم آليات الانتباه أو محولات (Transformers). بالإضافة إلى ذلك، إذا لم تكن الفئة الموجودة في بيانات الاختبار موجودة في مجموعة التدريب، يقوم النموذج بتعيين احتمالية صفرية لها، وهي مشكلة غالباً ما تُحل باستخدام التنعيم لابلاس.