Naive Bayes

بايز الساذج هو عائلة من الخوارزميات الاحتمالية المستخدمة على نطاق واسع في تعلّم الآلة لمهام التصنيف. وانطلاقًا من المبادئ الإحصائية، يطبّق نظرية بايز مع افتراض قوي (أو «ساذج») للاستقلالية بين السمات. وعلى الرغم من بساطته، يتميز هذا الأسلوب بفعالية كبيرة في تصنيف البيانات، ولا سيما في السيناريوهات التي تتضمن مجموعات بيانات عالية الأبعاد مثل النصوص. ويُعد لبنة أساسية في مجال التعلّم الخاضع للإشراف، إذ يوازن بين الكفاءة الحسابية والأداء التنبؤي.

المفهوم الأساسي: افتراض «السذاجة»#

تتنبأ الخوارزمية باحتمال انتماء نقطة بيانات معينة إلى فئة محددة. وينبع جانب «السذاجة» من افتراض أن وجود سمة معينة في فئة ما لا يرتبط بوجود أي سمة أخرى. فعلى سبيل المثال، قد تُعد ثمرة ما تفاحة إذا كانت حمراء ومستديرة ويبلغ قطرها نحو 3 بوصات. ويأخذ مصنّف بايز الساذج كل نقطة من نقاط استخراج السمات هذه بصورة مستقلة لحساب احتمال كون الثمرة تفاحة، بغض النظر عن أي ترابطات محتملة بين اللون والاستدارة والحجم.

يؤدي هذا التبسيط إلى تقليل القدرة الحاسوبية المطلوبة بدرجة كبيرة من أجل تدريب النموذج، مما يجعل الخوارزمية سريعة للغاية. ومع ذلك، نظرًا إلى أن بيانات العالم الحقيقي غالبًا ما تحتوي على متغيرات تابعة وعلاقات معقدة، فقد يحد هذا الافتراض أحيانًا من أداء النموذج مقارنةً بالبنى الأكثر تعقيدًا.

التطبيقات الواقعية#

يتفوق بايز الساذج في التطبيقات التي تكون فيها السرعة أمرًا بالغ الأهمية، وحيث يصح افتراض الاستقلالية بدرجة معقولة.

• تصفية الرسائل المزعجة: من أشهر استخدامات بايز الساذج توظيفه في معالجة اللغة الطبيعية (NLP) لتصفية البريد الإلكتروني. يحلل المصنّف تكرار الكلمات (الرموز) في رسالة بريد إلكتروني لتحديد ما إذا كانت «مزعجة» أو «شرعية». ويحسب احتمال كون الرسالة مزعجة عند وجود كلمات مثل «مجاني» أو «فائز» أو «عاجل». ويعتمد هذا التطبيق بدرجة كبيرة على تقنيات تصنيف النصوص للحفاظ على نظافة صناديق الوارد.
• تحليل المشاعر: تستخدم الشركات هذه الخوارزمية لقياس الرأي العام من خلال تحليل مراجعات العملاء أو منشورات وسائل التواصل الاجتماعي. ومن خلال ربط كلمات محددة بالمشاعر الإيجابية أو السلبية، يستطيع النموذج تصنيف كميات هائلة من الملاحظات بسرعة. ويتيح ذلك للشركات إجراء تحليل المشاعر على نطاق واسع لفهم تصور العلامة التجارية دون الحاجة إلى قراءة كل تعليق يدويًا.

بايز الساذج مقابل التعلّم العميق في رؤية الحاسوب#

على الرغم من متانة بايز الساذج في التعامل مع النصوص، فإنه يواجه غالبًا صعوبات في المهام الإدراكية مثل رؤية الحاسوب (CV). ففي الصورة، تعتمد قيمة بكسل واحد عادةً بدرجة كبيرة على وحدات البكسل المجاورة له (مثل مجموعة من وحدات البكسل التي تشكل حافة أو نسيجًا). وهنا ينهار افتراض الاستقلالية.

بالنسبة إلى المهام المرئية المعقدة مثل اكتشاف الأجسام، تُفضَّل نماذج التعلّم العميق (DL) الحديثة. وتستخدم بنيات مثل YOLO26 طبقات التفاف لالتقاط التدرجات المكانية وتفاعلات السمات التي يتجاهلها بايز الساذج. وبينما يوفر بايز الساذج خط أساس احتماليًا، تقدم نماذج مثل YOLO26 مستوى الدقة المرتفع المطلوب للقيادة الذاتية أو التشخيص الطبي. ولإدارة مجموعات البيانات اللازمة لنماذج الرؤية المعقدة هذه، توفر أدوات مثل منصة Ultralytics مسارات عمل مبسطة للوسم والتدريب تتجاوز بكثير التعامل البسيط مع البيانات الجدولية.

مقارنة بالشبكات البايزية#

من المفيد التمييز بين بايز الساذج والمفهوم الأوسع لـ الشبكة البايزية.

• بايز الساذج: شكل متخصص ومبسّط من الشبكة البايزية، حيث تشير جميع عقد المتنبئات مباشرةً إلى عقدة الفئة، ولا توجد أي اتصالات بين المتنبئات.
• الشبكات البايزية: تستخدم هذه الشبكات رسمًا بيانيًا موجّهًا لا دوريًا (DAG) لنمذجة التبعيات الشرطية المعقدة بين المتغيرات. ويمكنها تمثيل العلاقات السببية التي يبسّطها النهج «الساذج» ويتجاهلها.

مثال على التنفيذ#

بينما تركز حزمة ultralytics على التعلّم العميق، يُطبَّق 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 لبايز الساذج في انخفاض زمن استجابة الاستدلال إلى حد كبير، إلى جانب متطلباته المحدودة من العتاد. ويمكنه تفسير مجموعات بيانات ضخمة قد تؤدي إلى إبطاء خوارزميات أخرى مثل آلات المتجهات الداعمة (SVM). وعلاوةً على ذلك، فإنه يحقق أداءً جيدًا على نحو مدهش حتى عند انتهاك افتراض الاستقلالية.

ومع ذلك، فإن اعتماده على السمات المستقلة يعني أنه لا يستطيع التقاط التفاعلات بين الخصائص. فإذا كان التنبؤ يعتمد على مجموعة من الكلمات (مثل «ليس جيدًا»)، فقد يواجه بايز الساذج صعوبة مقارنةً بالنماذج التي تستخدم آليات الانتباه أو Transformers. بالإضافة إلى ذلك، إذا لم تكن فئة ما في بيانات الاختبار موجودة في مجموعة التدريب، فسيُسنِد النموذج إليها احتمالًا صفريًا، وهي مشكلة تُحل غالبًا باستخدام تنعيم لابلاس.