Predictive Modeling

النمذجة التنبؤية هي عملية إنشاء نموذج إحصائي أو نموذج تعلّم آلي من بيانات تاريخية لتقدير نتيجة غير معروفة أو لم تحدث بعد، مثل احتمال إلغاء عميل اشتراكه، أو كمية مبيعات متجر في الأسبوع المقبل، أو ما إذا كان الفحص يُظهر مرضًا. يتعلّم النموذج علاقة سمات الإدخال بنتيجة معروفة من الأمثلة السابقة، في شكل من أشكال التعلّم الخاضع للإشراف، ثم يطبّق هذه العلاقة على حالات جديدة، وغالبًا ما يُخرج احتمالًا أو نطاقًا إلى جانب التنبؤ. والتحليلات التنبؤية هي ممارسة الأعمال التي تطبّق هذه النماذج على القرارات في التسويق والتمويل والعمليات والرعاية الصحية، وتقع بين التحليلات الوصفية التي تلخّص ما حدث، والتحليلات التوجيهية التي توصي بما ينبغي فعله حيال ذلك.

سير عمل النمذجة التنبؤية#

يبدأ المشروع بتحديد الهدف والقرار الذي ستسهم فيه النتائج، ثم يجمع أمثلة تاريخية كانت مدخلاتها معروفة في اللحظة التي كان سيصدر فيها التنبؤ. تحوّل هندسة السمات السجلات الخام إلى مدخلات للنموذج، وتُقسّم البيانات إلى مجموعات التدريب والتحقق والاختبار. وتُقسّم مسائل التنبؤ بحسب الزمن، بحيث يُقيَّم النموذج دائمًا على فترات تالية للفترات التي تعلّم منها؛ إذ يؤدي التقسيم العشوائي في هذه الحالة، أو استخدام أي سمة ترمّز الإجابة، إلى تسرّب البيانات ودرجات مضخمة. وتُقارن النماذج المرشحة بخط أساس بسيط على بيانات محجوبة، وبعد النشر تُراقَب انزياحات البيانات، لأن العلاقات التي تعلّمها النموذج تضعف مع تغير العالم.

يستخدم التقييم مقاييس تتوافق مع القرار: الدقة والاستدعاء والمساحة تحت منحنى ROC للمصنّفات، ومتوسط الخطأ المطلق (MAE) أو الجذر التربيعي لمتوسط مربعات الخطأ للتنبؤات العددية. ويقدّر التحقق المتقاطع الأداء على مجموعات البيانات الصغيرة بأخذ متوسط عدة تقسيمات إلى تدريب واختبار. يستخدم هذا المثال scikit-learn للتنبؤ بتطور مرض السكري بعد عام من القياسات الأساسية للمريض، ويقارن نموذجين بخط أساس يتنبأ دائمًا بالمتوسط:

from sklearn.datasets import load_diabetes
from sklearn.dummy import DummyRegressor
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.linear_model import Ridge
from sklearn.model_selection import cross_val_score

# 442 patients: 10 baseline measurements and disease progression one year later
X, y = load_diabetes(return_X_y=True)

models = {
    "Baseline (always predict the mean)": DummyRegressor(),
    "Ridge regression": Ridge(alpha=0.1),
    "Gradient-boosted trees": HistGradientBoostingRegressor(max_depth=3, random_state=0),
}
for name, model in models.items():
    # Mean absolute error on held-out folds of 5-fold cross-validation
    scores = cross_val_score(model, X, y, cv=5, scoring="neg_mean_absolute_error")
    print(f"{name}: MAE {-scores.mean():.1f}")

يخطئ خط الأساس بمتوسط 66.0 نقطة من درجة التطور، وانحدار ريدج بمتوسط 44.6، والأشجار المعززة بالتدرج بمتوسط 46.5؛ لذا يخفض النموذجان الخطأ بنحو الثلث، وفي هذه المجموعة المؤلفة من 442 مريضًا يكون النموذج الخطي الأبسط أدق.

أنواع النماذج التنبؤية#

تختلف النماذج التنبؤية بحسب النتيجة التي تقدّرها. تتنبأ نماذج التصنيف، مثل الانحدار اللوجستي وأشجار القرار، بفئة وباحتمالها عادةً. وتتنبأ نماذج الانحدار، مثل الانحدار الخطي، بقيمة عددية. وتتنبأ نماذج التنبؤ الخاصة بـالسلاسل الزمنية بالقيم المستقبلية لتسلسل استنادًا إلى ماضيه وموسميته والعوامل الخارجية المؤثرة فيه، فيما تتنبأ نماذج البقاء بالوقت حتى وقوع حدث مثل تعطل آلة، بما في ذلك الحالات التي لم يقع فيها الحدث بعد. وبالنسبة إلى البيانات الجدولية، تتمثل الخوارزميات المعتادة في النماذج الخطية المنظّمة ومجموعات الأشجار مثل الغابات العشوائية وXGBoost، بينما تهيمن الشبكات العصبية على الصور والصوت والنصوص، وتتنبأ النماذج التأسيسية للبيانات الجدولية بالجداول الجديدة دون تدريب نموذج لكل مجموعة بيانات.

النمذجة التنبؤية في الرؤية الحاسوبية#

نماذج الرؤية هي نماذج تنبؤية تكون وحدات البكسل مدخلاتها. يعيد YOLO26 في وضع التنبؤ، لكل جسم يعثر عليه في الصورة، فئةً متنبأ بها ودرجة ثقة وإحداثيات المربع، وغالبًا ما تصبح أعداد الأجسام المستمدة من هذه التنبؤات سمات إدخال للتنبؤات اللاحقة، مثل عدد الزوار في الساعة لتخطيط التوظيف.

التطبيقات#

• الصيانة التنبؤية: تقدّر النماذج المدرّبة على بيانات الاهتزاز ودرجة الحرارة ووقت التشغيل موعد تعطل أحد المكونات، لكي تُجرى الإصلاحات قبل العطل بدلًا من اتباع جدول زمني ثابت.
• الرعاية الصحية: تقدّر نماذج المخاطر احتمال إعادة إدخال المريض إلى المستشفى أو إصابته بالإنتان استنادًا إلى سجلاته، وترصد نماذج التصوير النتائج المحتملة لكي يراجعها اختصاصيو الأشعة أولًا.
• تقييم الائتمان والاحتيال: تتنبأ المصارف باحتمال تعثر المقترض أو احتيال معاملة بطاقة، وتقيّم كل معاملة بطاقة في الوقت الفعلي عند التصريح بها.
• تخطيط الطلب والمخزون: تتنبأ شركات التجزئة بالمبيعات لكل متجر ومنتج استنادًا إلى السجل والأسعار والعروض الترويجية والعطلات، لتحديد كمية المخزون المطلوب طلبها.

النمذجة التنبؤية مقارنةً بالمصطلحات ذات الصلة#

• تنقيب البيانات: يبحث في مجموعات البيانات الكبيرة عن الأنماط والعناقيد والارتباطات، سواء وُجد هدف للتنبؤ أم لا، بينما تقدّر النمذجة التنبؤية دائمًا نتيجة محددة.
• الذكاء الاصطناعي التوليدي: ينمذج توزيع البيانات نفسها لإنشاء نصوص أو صور أو صوت جديد، بينما يربط النموذج التنبؤي مدخلًا بقيمة مستهدفة.
• الاستدلال السببي: يقدّر ما يحدث عندما يتدخل شخص ما، وهو سؤال لا يستطيع النموذج التنبؤي الإجابة عنه بالارتباطات وحدها. تعلّم نموذج مدرّب على سجلات الالتهاب الرئوي في تسعينيات القرن الماضي أن المرضى المصابين بالربو أقل عرضة للوفاة، لأن هؤلاء المرضى كانوا يُنقلون عادةً مباشرةً إلى العناية المركزة، وكان من الممكن أن يؤدي التصرف بناءً على هذا التنبؤ إلى إرسال المرضى مرتفعي الخطورة إلى منازلهم.