باذيس الساذج (Naive Bayes)

تعتبر خوارزمية Naive Bayes مصنفًا احتماليًا بسيطًا ولكنه قوي في التعلم الآلي (ML) يعتمد على نظرية بايز. وهي مناسبة تمامًا لمهام التصنيف ذات البيانات عالية الأبعاد، مثل تصنيف النصوص. يأتي الجزء "الساذج" من الاسم من فرضه الأساسي: أن جميع ميزات العينة مستقلة عن بعضها البعض، بالنظر إلى متغير الفئة. في حين أن هذا الافتراض غالبًا ما يكون تبسيطًا مفرطًا لسيناريوهات العالم الحقيقي، إلا أن الخوارزمية فعالة بشكل ملحوظ وفعالة من حيث الحساب وتوفر خط أساس قوي للعديد من مشاكل التصنيف.

كيف تعمل خوارزمية Naive Bayes؟

تعمل الخوارزمية عن طريق حساب احتمالية انتماء نقطة بيانات إلى فئة معينة. وهي تستخدم نظرية بايز لتحديد الاحتمالية اللاحقة لفئة ما، بالنظر إلى مجموعة من الميزات المرصودة. إن افتراض الاستقلال "الساذج" يبسط هذا الحساب بشكل كبير. فبدلاً من النظر في العلاقات المعقدة بين الميزات، يعامل النموذج مساهمة كل ميزة في النتيجة على أنها منفصلة تمامًا.

على سبيل المثال، عند تصنيف بريد إلكتروني كرسالة غير مرغوب فيها أم لا، يفترض مصنف Naive Bayes أن وجود كلمة "sale" مستقل عن وجود كلمة "free". هذا الافتراض نادرًا ما يكون صحيحًا، ولكنه يسمح للنموذج بالتعلم وإجراء التنبؤات بسرعة كبيرة دون الحاجة إلى كمية هائلة من بيانات التدريب. من المهم التمييز بين Naive Bayes و شبكة Bayesian؛ في حين أن كلاهما يستخدم مبادئ Bayesian، فإن شبكة Bayesian هي نموذج أكثر عمومية يمكنه تمثيل تبعيات معقدة، في حين أن Naive Bayes هو مصنف محدد بافتراض استقلال صارم.

تطبيقات واقعية

تُقدر خوارزمية Naive Bayes لسرعتها وبساطتها، خاصة في المهام المتعلقة بالنصوص.

• تصفية الرسائل غير المرغوب فيها: هذا تطبيق كلاسيكي. تستخدم خدمات البريد الإلكتروني Naive Bayes لتصنيف رسائل البريد الإلكتروني الواردة على أنها رسائل غير مرغوب فيها أم لا. يتم تدريب النموذج على مجموعة بيانات كبيرة من رسائل البريد الإلكتروني، وتعلم احتمالية ظهور كلمات معينة في الرسائل غير المرغوب فيها. على سبيل المثال، قد يتم تخصيص احتمالية أعلى للكلمات مثل "تهانينا" و "الفائز" و "مجاني" لتكون رسائل غير مرغوب فيها. مشروع Apache SpamAssassin هو مثال واقعي يتضمن تصفية بايز.
• تصنيف النصوص والمستندات: يستخدم Naive Bayes على نطاق واسع في معالجة اللغة الطبيعية (NLP) لتصنيف المستندات. على سبيل المثال، يمكن فرز المقالات الإخبارية تلقائيًا إلى موضوعات مثل "الرياضة" أو "السياسة" أو "التكنولوجيا". وهو أيضًا خوارزمية شائعة لـ تحليل المشاعر، حيث تحدد ما إذا كان جزء من النص (مثل تقييم المنتج) يعبر عن رأي إيجابي أو سلبي أو محايد.
• التشخيص الطبي: في تحليل الصور الطبية، يمكن استخدامه كأداة تشخيصية أولية للتنبؤ باحتمالية الإصابة بمرض بناءً على أعراض المريض ونتائج الاختبار. يتم التعامل مع كل عرض على أنه ميزة مستقلة لحساب احتمالية حالة معينة.

مقارنة مع الخوارزميات الأخرى

تعتبر خوارزمية Naive Bayes خوارزمية أساسية وتختلف عن النماذج الأكثر تعقيدًا بطرق رئيسية.

• مقابل الانحدار اللوجستي: كلاهما شائع للاستخدام في التصنيف. Naive Bayes هو نموذج توليدي، مما يعني أنه يمثل توزيع الفئات الفردية، في حين أن الانحدار اللوجستي تمييزي، ويمثل الحدود بين الفئات. غالبًا ما يكون أداء Naive Bayes أفضل على مجموعات البيانات الأصغر.
• مقابل آلات المتجهات الداعمة (SVM): يمكن لـ SVMs إيجاد حدود قرار مثالية والتعامل مع تفاعلات الميزات المعقدة بشكل أفضل، مما يؤدي غالبًا إلى دقة أعلى. ومع ذلك، فإن Naive Bayes أسرع بكثير في التدريب.
• مقابل أشجار القرارات و الغابات العشوائية: تتفوق الطرق القائمة على الأشجار في التقاط العلاقات غير الخطية، وهو ما لا يستطيع Naive Bayes القيام به بسبب افتراض الاستقلالية الخاص به. في المقابل، يكون Naive Bayes أسرع عادةً ويتطلب ذاكرة أقل.
• مقابل نماذج التعلم العميق: تتفوق النماذج المتقدمة مثل الشبكات العصبونية التفافية (CNNs) أو المحولات، بما في ذلك تلك المستخدمة في Ultralytics YOLO لـ رؤية الحاسوب، باستمرار على Naive Bayes في المهام المعقدة مثل تصنيف الصور أو اكتشاف الكائنات. ومع ذلك، فإن Naive Bayes هو خط أساس قيم لأنه يتطلب بيانات وموارد حسابية أقل بكثير مثل وحدات معالجة الرسوميات (GPUs) ووقت تدريب أقل. تم تصميم منصات مثل Ultralytics HUB لتدريب ونشر نماذج التعلم العميق الأكثر تطوراً.

تتوفر تطبيقات Naive Bayes بسهولة في مكتبات ML الشائعة مثل Scikit-learn و PyTorch. على الرغم من أنها ليست الأحدث للمشاكل المعقدة التي يعالجها التعلم العميق الحديث، إلا أن Naive Bayes تظل خوارزمية أساسية لسرعتها وبساطتها وأدائها القوي في أنواع معينة من المشكلات، خاصة في معالجة اللغة الطبيعية (NLP). بغض النظر عن الخوارزمية، فإن تقييم النماذج باستخدام مقاييس الأداء القوية هو خطوة حاسمة في أي مشروع ML.