ميزة (التعلم الآلي)

الموسوعة الحرة

في مجال التعلم الآلي والتعرف على الأنماط ، تُعرَّف السمة بأنها خاصية أو سمة فردية قابلة للقياس لمجموعة بيانات. [ 1 ] يُعد اختيار السمات المفيدة والمميزة والمستقلة أمرًا بالغ الأهمية لإنتاج خوارزميات فعالة لمهام التعرف على الأنماط والتصنيف والانحدار . عادةً ما تكون السمات رقمية، ولكن تُستخدم أنواع أخرى مثل السلاسل النصية والرسوم البيانية في التعرف على الأنماط التركيبية ، بعد إجراء بعض خطوات المعالجة المسبقة مثل الترميز الأحادي الساخن . يرتبط مفهوم "السمات" بمفهوم المتغيرات التفسيرية المستخدمة في التقنيات الإحصائية مثل الانحدار الخطي .

أنواع الميزات

في هندسة الميزات، يتم استخدام نوعين من الميزات بشكل شائع: الميزات العددية والميزات الفئوية.

الخصائص العددية هي قيم متصلة يمكن قياسها على مقياس. ومن أمثلة الخصائص العددية: العمر، والطول، والوزن، والدخل. ويمكن استخدام الخصائص العددية مباشرةً في خوارزميات التعلم الآلي.

السمات الفئوية هي قيم منفصلة يمكن تجميعها في فئات. من أمثلة السمات الفئوية: الجنس، واللون، والرمز البريدي. عادةً ما تحتاج السمات الفئوية إلى تحويلها إلى سمات رقمية قبل استخدامها في خوارزميات التعلم الآلي. يمكن القيام بذلك باستخدام تقنيات متنوعة، مثل الترميز الأحادي الساخن، وترميز التصنيفات، والترميز الترتيبي.

يعتمد نوع الميزة المستخدمة في هندسة الميزات على خوارزمية التعلم الآلي المُستخدمة. فبعض خوارزميات التعلم الآلي، مثل أشجار القرار، قادرة على التعامل مع الميزات العددية والفئوية على حد سواء. بينما تقتصر خوارزميات أخرى، مثل الانحدار الخطي، على التعامل مع الميزات العددية فقط.

تصنيف

يمكن وصف الخاصية العددية بسهولة باستخدام متجه الخصائص. إحدى طرق التصنيف الثنائي هي استخدام دالة تنبؤ خطية (مرتبطة بالبيرسيبترون ) مع متجه الخصائص كمدخل. تتضمن هذه الطريقة حساب حاصل الضرب القياسي بين متجه الخصائص ومتجه الأوزان، وتصنيف الملاحظات التي تتجاوز نتيجتها عتبة محددة.

تشمل خوارزميات التصنيف من متجه الميزات تصنيف أقرب جار ، والشبكات العصبية ، والتقنيات الإحصائية مثل الأساليب البايزية .

أمثلة

في مجال التعرف على الأحرف ، قد تشمل الميزات الرسوم البيانية التي تحسب عدد البكسلات السوداء على طول الاتجاهات الأفقية والرأسية، وعدد الثقوب الداخلية، واكتشاف الخطوط، وغيرها الكثير.

في مجال التعرف على الكلام ، يمكن أن تشمل ميزات التعرف على الصوتيات نسب الضوضاء، وطول الأصوات، والطاقة النسبية، ومطابقات المرشحات، ومتجهات الطيف اللوغاريتمية ذات مقياس ميل، ومعاملات التردد السيبسترالي لميل، والتي تمثل خصائص تردد الإشارات الصوتية. [ 2 ]

في خوارزميات الكشف عن البريد العشوائي ، قد تشمل الميزات وجود أو عدم وجود رؤوس بريد إلكتروني معينة، وبنية البريد الإلكتروني، واللغة، وتكرار مصطلحات محددة، والصحة النحوية للنص.

في مجال رؤية الحاسوب ، يوجد عدد كبير من الميزات المحتملة ، مثل الحواف والأجسام.

متجهات الميزات

في مجال التعرف على الأنماط والتعلم الآلي ، يُعرف متجه الميزات بأنه متجه ذو أبعاد متعددة (n) يحتوي على ميزات رقمية تمثل كائنًا ما. تتطلب العديد من خوارزميات التعلم الآلي تمثيلًا رقميًا للكائنات، حيث تُسهّل هذه التمثيلات عمليات المعالجة والتحليل الإحصائي. عند تمثيل الصور، قد تتوافق قيم الميزات مع وحدات البكسل في الصورة، بينما عند تمثيل النصوص، قد تكون الميزات عبارة عن ترددات ظهور المصطلحات النصية. تُعادل متجهات الميزات متجهات المتغيرات التفسيرية المستخدمة في الإجراءات الإحصائية مثل الانحدار الخطي . غالبًا ما تُدمج متجهات الميزات مع الأوزان باستخدام الضرب النقطي لإنشاء دالة تنبؤ خطية تُستخدم لتحديد درجة التنبؤ.

يُطلق على فضاء المتجهات المرتبط بهذه المتجهات غالبًا اسم فضاء الميزات . ولتقليل أبعاد فضاء الميزات، يمكن استخدام عدد من تقنيات تقليل الأبعاد .

يمكن استخلاص خصائص ذات مستوى أعلى من الخصائص المتاحة وإضافتها إلى متجه الخصائص؛ فعلى سبيل المثال، في دراسة الأمراض، تُعدّ خاصية "العمر" مفيدة، وتُعرَّف على أنها: العمر = "سنة الوفاة" ناقص "سنة الميلاد" . تُعرف هذه العملية باسم بناء الخصائص . [ 3 ] [ 4 ] بناء الخصائص هو تطبيق مجموعة من العمليات البنّاءة على مجموعة من الخصائص الموجودة، مما يؤدي إلى إنشاء خصائص جديدة. تشمل أمثلة هذه العمليات البنّاءة التحقق من شروط المساواة {=, ≠}، والعمليات الحسابية {+,−,×, /}}، وعمليات المصفوفات {max(S), min(S), average(S)}، بالإضافة إلى عمليات أخرى أكثر تعقيدًا، مثل count(S, C) [ 5 ] التي تحسب عدد الخصائص في متجه الخصائص S التي تُحقق شرطًا ما C، أو، على سبيل المثال، المسافات إلى فئات التعرف الأخرى المُعمَّمة بواسطة جهاز قبول ما. لطالما اعتُبر بناء الخصائص أداةً فعّالة لزيادة كلٍّ من الدقة وفهم البنية، لا سيما في المشكلات عالية الأبعاد. [ 6 ] تشمل التطبيقات دراسات الأمراض والتعرف على المشاعر من الكلام. [ 7 ]

الاختيار والاستخراج

قد تكون المجموعة الأولية من الخصائص الخام زائدة عن الحاجة وكبيرة لدرجة تجعل التقدير والتحسين صعبين أو غير فعالين. لذلك، تتمثل الخطوة التمهيدية في العديد من تطبيقات التعلم الآلي والتعرف على الأنماط في اختيار مجموعة فرعية من الخصائص، أو إنشاء مجموعة جديدة ومُصغّرة من الخصائص لتسهيل التعلم، وتحسين التعميم وقابلية التفسير. [ 8 ]

يُعدّ استخلاص أو اختيار السمات مزيجًا من الفن والعلم؛ ويُعرف تطوير الأنظمة للقيام بذلك بهندسة السمات . ويتطلب ذلك تجربة احتمالات متعددة، ودمج التقنيات الآلية مع حدس ومعرفة خبير المجال . وتُعرف أتمتة هذه العملية بتعلم السمات ، حيث لا تستخدم الآلة السمات للتعلم فحسب، بل تتعلم السمات نفسها.

انظر أيضاً

مراجع

  1. ↑ بيشوب، كريستوفر (2006). التعرف على الأنماط والتعلم الآلي . برلين: سبرينغر. ISBN 0-387-31073-8.
  2. ↑Jurafsky, Daniel; Martin, James H. "Speech and Language Processing (3rd ed. draft), Chapter 14: Speech Recognition"(PDF). Stanford University. Retrieved 2026-04-15.
  3. ↑Liu, H., Motoda H. (1998) Feature Selection for Knowledge Discovery and Data Mining., Kluwer Academic Publishers. Norwell, MA, USA. 1998.
  4. ↑Piramuthu, S., Sikora R. T. Iterative feature construction for improving inductive learning algorithms. In Journal of Expert Systems with Applications. Vol. 36, Iss. 2 (March 2009), pp. 3401-3406, 2009
  5. ↑Bloedorn, E., Michalski, R. Data-driven constructive induction: a methodology and its applications. IEEE Intelligent Systems, Special issue on Feature Transformation and Subset Selection, pp. 30-37, March/April, 1998
  6. ↑Breiman, L. Friedman, T., Olshen, R., Stone, C. (1984) Classification and regression trees, Wadsworth
  7. ↑Sidorova, J., Badia T. Syntactic learning for ESEDA.1, tool for enhanced speech emotion detection and analysis. Internet Technology and Secured Transactions Conference 2009 (ICITST-2009), London, November 9–12. IEEE
  8. ↑Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer. ISBN 978-0-387-84884-6.