الدرس 3 — السمات
هذا أهمّ درس في الدورة. لأنّ ما يفصل بين نموذج مفيد ونموذج عديم القيمة، في الغالب الأعمّ، ليس الخوارزمية بل ما تقدّمه لها.
ما هي السمة
السمة (feature) عمود يقرأه النموذج. جدول العملاء فيه عمر ومدّة اشتراك وعدد طلبات دعم: هذه ثلاث سمات.
والبديهة المضادّة للتوقّع هي أنّ السمات الخامّ غالباً أضعف من السمات المشتقّة. تاريخ آخر شراء بحدّ ذاته ضعيف. أمّا «عدد الأيّام منذ آخر شراء» و«معدّل الشراء الشهري في الأشهر الستّة الأخيرة» و«التغيّر بين الشهرين الأخيرين» فسمات قويّة، وهي كلّها مشتقّة من العمود نفسه.
هذا العمل يُسمّى هندسة السمات، وهو موضع القيمة الحقيقية في تعلّم الآلة الكلاسيكي.
خبير في المجال يعرف أنّ «ثلاث تذاكر دعم في أسبوع واحد» هي إشارة الخطر الحقيقية، وأنّ العدد الإجمالي للتذاكر مضلِّل لأنّ العملاء القدامى يجمعون تذاكر بحكم الزمن. هذه المعرفة تُترجَم إلى سمة واحدة تحقّق قفزة أكبر من أسبوع كامل من تجربة الخوارزميات.
أنواع التحويلات الأساسية
ترميز الفئات
النموذج يقرأ أرقاماً، وبياناتك فيها نصوص: المدينة، نوع المنتج، القناة. والترميز ضروري، وطريقته تحمل قراراً.
| الطريقة | كيف تعمل | حين تُستخدم |
|---|---|---|
| One-hot | عمود ثنائي لكلّ فئة | فئات قليلة، ولا ترتيب بينها |
| ترميز ترتيبي | رقم لكلّ فئة | حين يوجد ترتيب حقيقي (صغير/وسط/كبير) |
| ترميز بالهدف | متوسّط الهدف لكلّ فئة | فئات كثيرة جدّاً — بحذر، لأنّه مصدر تسريب |
الخطأ الشائع: إعطاء أرقام تعسّفية لفئات بلا ترتيب (باريس=1، تونس=2، القاهرة=3). النموذج سيستنتج أنّ القاهرة «أكبر» من تونس، وهذا لا معنى له.
التقييس
بعض الخوارزميات — القائمة على المسافة والشبكات العصبية — تتأثّر بمقياس السمات. سمة بمدى من 0 إلى 100000 (الدخل) تسحق سمة بمدى من 0 إلى 1 في حساب المسافة، بلا مبرّر معرفي.
والتقييس يعيدها إلى مقياس متقارب. أمّا الأشجار فلا تتأثّر بالتقييس، لأنّها تعمل بمقارنات لا بمسافات — وهذا سبب إضافي لبساطتها العملية.
القيم الناقصة
ليست مشكلة تقنية بل قرار معرفي، كما رأينا في دورة بايثون. والسؤال الحاسم: لماذا القيمة ناقصة؟
- ناقصة عشوائياً (خلل جهاز): التعويض بالوسيط آمن.
- ناقصة لسبب مرتبط بالهدف (ذوو الدخل العالي لا يفصحون): الغياب نفسه معلومة. أضف عمود «كانت ناقصة» بجانب التعويض.
السلاسل الزمنية
في البيانات الزمنية، السمات الأقوى دائماً مشتقّة من الماضي: قيم متأخّرة (lags)، ومتوسّطات متحرّكة، وفروق، ومؤشّرات موسمية (يوم الأسبوع، الشهر، عطلة).
وهنا تحذير خاصّ: الترتيب الزمني يجب أن يُحترم في التقسيم. تدريب على بيانات 2026 واختبار على 2024 يعطي نتيجة بلا معنى، لأنّك تستخدم المستقبل للتنبّؤ بالماضي.
تسريب البيانات: الفشل الذي يبدو نجاحاً
هذه أخطر مشكلة في تعلّم الآلة التطبيقي، لأنّها لا تظهر كخطأ بل كنتيجة ممتازة.
تسريب البيانات هو أن تصل إلى النموذج معلومة لن تكون متاحة عند التنبّؤ الحقيقي. النتيجة: دقّة مبهرة في التقييم، وانهيار في الإنتاج.
أمثلة واقعية متكرّرة:
- سمة من المستقبل: التنبّؤ بمغادرة العميل باستخدام عمود «تاريخ إلغاء الاشتراك». النموذج يبلغ دقّة 99.9 %، وهو يقرأ الجواب.
- إحصاء محسوب قبل التقسيم: متوسّط أو انحراف حُسب على كامل البيانات ثم استُخدم في التعويض أو التقييس. مجموعة الاختبار شاركت في تشكيل التدريب.
- معرّف مضلِّل: رقم ملفّ يرتبط بترتيب الإدخال، والإدخال مرتبط بالنتيجة. النموذج يتعلّم الرقم.
- تسريب زمني: تقسيم عشوائي في بيانات زمنية، فتدخل أمثلة من المستقبل في التدريب.
- تسريب عبر التجمّع: صور المريض نفسه موزّعة بين التدريب والاختبار. النموذج يتعرّف على المريض لا على المرض.
نتيجة أفضل من المتوقّع بكثير ليست خبراً ساراً، بل إنذاراً. دقّة 99 % في مسألة صعبة تعني تسريباً في تسع حالات من عشر. اسأل دائماً: «أيّ عمود يعرف الجواب؟».
اختيار السمات
كثرة السمات ليست خيراً دائماً: سمات عديمة الصلة تضيف ضجيجاً وتزيد خطر فرط التخصيص وتُبطئ التدريب.
ثلاث طرائق عملية: قياس ارتباط كلّ سمة بالهدف، وقراءة أهمّية السمات التي تعطيها نماذج الأشجار، وحذف سمة وقياس أثر الحذف على الأداء.
وقاعدة نافعة: سمة تفسّرها بجملة، وليست سمة لا تفهم من أين جاءت. السمة غير المفهومة هي الطريق المعتاد إلى تسريب لم تلاحظه.
في ثلاث جمل
السمة عمود يقرأه النموذج، والسمات المشتقّة بمعرفة المجال تعطي قفزات أكبر بكثير من تبديل الخوارزميات. والتحويلات الأساسية — ترميز الفئات والتقييس ومعالجة النقص واشتقاق السمات الزمنية — تحمل كلّ واحدة منها قراراً معرفياً لا تقنياً فقط. وتسريب البيانات هو أخطر فشل لأنّه يظهر كنتيجة ممتازة، والقاعدة أنّ الرقم الجيّد بشكل مفرط إنذار لا إنجاز.
التالي — الدرس 4: التقييم ←