الفرقة

المفاهيم الأساسية لطرق التجميع

تستفيد طرق التجميع من التنوع بين النماذج المتعددة (غالباً ما تسمى المتعلمين الأساسيين أو المتعلمين الضعفاء) لتقليل أخطاء التنبؤ وتحسين الأداء العام. الفكرة الأساسية هي أن النماذج المختلفة قد ترتكب أنواعًا مختلفة من الأخطاء في مجموعات فرعية مختلفة من البيانات. من خلال الجمع بين تنبؤاتهم، يمكن في كثير من الأحيان حساب متوسط هذه الأخطاء أو إلغاء بعضها البعض، مما يؤدي إلى نموذج نهائي أكثر استقرارًا وتعميمًا يؤدي أداءً جيدًا على البيانات غير المرئية. إن مفتاح نجاح الأساليب التجميعية هو ضمان التنوع الكافي بين النماذج الأساسية. يمكن تحقيق هذا التنوع من خلال استراتيجيات مختلفة، مثل استخدام خوارزميات تعلم مختلفة (على سبيل المثال، الجمع بين أشجار القرار والآلات الكهروضوئية المغناطيسية التجميعية)، أو تدريب النماذج على مجموعات فرعية مختلفة من بيانات التدريب (كما هو الحال في التجميع)، أو استخدام معلمات فائقة مختلفة لنفس الخوارزمية.

فوائد استخدام طرق التجميع

يوفر استخدام الأساليب التجميعية العديد من المزايا المهمة في التعلم الآلي (ML):

• تحسين الدقة التنبؤية: غالبًا ما تحقق المجموعات دقة أعلى من أي نموذج مساهم واحد.
• زيادة المتانة والاستقرار: يكون التنبؤ النهائي أقل حساسية لخصائص نموذج واحد أو الاختلافات في بيانات التدريب.
• تقليل مخاطر الإفراط في الملاءمة: من خلال حساب متوسط التنبؤات، يمكن للمجموعات أن تخفف من ميل النماذج المعقدة إلى الإفراط في ملاءمة بيانات التدريب.

أنواع طرق التجميع

توجد العديد من تقنيات التجميع الشائعة، ولكل منها نهج مميز للجمع بين النماذج:

• التجميع (Bootstrap Aggregregating): تدريب مثيلات متعددة من نفس الخوارزمية الأساسية على مجموعات فرعية عشوائية مختلفة من بيانات التدريب (يتم سحبها مع الاستبدال) وحساب متوسط تنبؤاتها. الغابة العشوائية مثال معروف.
• التعزيز: يبني النماذج بالتتابع، مع تركيز كل نموذج جديد على تصحيح الأخطاء التي ارتكبتها النماذج السابقة. ومن الأمثلة على ذلك AdaBoost، وآلات تعزيز التدرج (GBMs)، و XGBoost، و LightGBM.
• التكديس (التعميم المكدس): يجمع بين تنبؤات من عدة نماذج أساسية مختلفة (متعلمين غير متجانسين) من خلال تدريب نموذج تلوي (مثل الانحدار اللوجستي) لتعلم كيفية الجمع بين مخرجاتها على أفضل وجه.

غالبًا ما يُستخدم مصطلح "تجميع النماذج" بالتبادل مع مصطلح "Ensemble" ويشير إلى نفس مفهوم الجمع بين نماذج متعددة. يمكنك استكشاف استراتيجيات تجميع النماذج باستخدام YOLOv5.

التطبيقات الواقعية لطرق التجميع في العالم الحقيقي

تُستخدم أساليب التجميع على نطاق واسع في مختلف المجالات لتحسين أداء نظام الذكاء الاصطناعي:

1. الرؤية الحاسوبية: في مهام مثل اكتشاف الأجسام باستخدام نماذج مثل Ultralytics YOLO، يمكن أن يتضمن التجميع الجمع بين التنبؤات من النماذج التي تم تدريبها باستخدام تعزيزات مختلفة أو في مراحل مختلفة(نقاط تفتيش). يعمل ذلك على تحسين متانة الاكتشاف في السيناريوهات الصعبة مثل الظروف الجوية المتغيرة أو انسداد الأجسام، وهو أمر بالغ الأهمية لتطبيقات مثل المركبات ذاتية القيادة وأنظمة الأمن.
2. التشخيص الطبي: تُستخدم المجموعات في تحليل الصور الطبية للجمع بين التشخيصات من خوارزميات أو نماذج مختلفة تم تدريبها على بيانات متنوعة للمرضى. على سبيل المثال، قد يوفر الجمع بين مخرجات من شبكة CNN ومحول الرؤية (ViT) تنبؤًا أكثر موثوقية للكشف عن الحالات الشاذة في عمليات المسح الضوئي، مما يقلل من خطر التشخيص الخاطئ.

على الرغم من قوة المجموعات إلا أنها تزيد من التعقيد والمتطلبات الحسابية للتدريب ونشر النماذج. ومع ذلك، فإن المكاسب الكبيرة في الأداء غالبًا ما تبرر هذه التكاليف في التطبيقات الهامة. يمكن لمنصات مثل Ultralytics HUB تبسيط إدارة وتدريب نماذج متعددة، مما يسهل إنشاء مجموعات فعالة.