التعزيز بالمدرجات التكرارية يبحث الانقسامات عبر إحصاءات حزم تجمع القيم العددية. الحزم تقرب التمثيل؛ لا تحذف السجلات. [1]
الخلاصة السريعة
يُبنى المدرج من البيانات، ثم يُبحث الانقسام بين الحزم؛ تقليل الحزم لا يلغي كلفة البناء. [1]
- حزم القيم تقيد مواضع الانقسام المتاحة في المثال؛ لا تعني حذف الحالات الأصلية.
- المثال يبين أن حدًا وسط حزمة عريضة لا يبقى متاحًا؛ حدودنا افتراضية وليست ناتج خوارزمية تحزيم فعلية.
- يفرق توثيق LightGBM بين بناء المدرج المرتبط بعدد البيانات وفحص الانقسام المرتبط بعدد الحزم. [1]
- في HistGradientBoostingClassifier، يحد max_bins حزم القيم غير المفقودة، وتضاف حزمة للقيم المفقودة. لا يضمن رفعه سرعة أو دقة أعلى. [2]
كيف تتغير مادة البحث؟
قبل تدريب HistGradientBoostingClassifier، تتحول الخصائص إلى حزم ذات رموز صحيحة. وقد تستخدم خاصية قليلة القيم حزمًا أقل من الحد المطلوب. [2]
لنفترض أننا نرتب قياسات سمك ألواح، بالسنتيمتر. إذا جمعنا 1.0 و 1.1 و 1.2 تحت رمز واحد، لم نحول اللوحات الثلاث إلى لوحة واحدة. ما زالت ثلاث حالات، لكننا قللنا التفصيل المتاح لسؤال عن هذه الخاصية. الرموز وسيلة تمثيل، وليست قياسات جديدة بوحدة السنتيمتر.
حد يمكن تمثيله وحد تختفي دقته
ننشئ ست قيم: 1.0 و 1.1 و 1.2 و 3.0 و 3.1 و 3.2. نفرض حزمة أولى للقيم الأقل من 2، وحزمة ثانية لما عداها. الانقسام بين الحزمتين يفصل الثلاث الأولى عن الثلاث الأخيرة. هذا مثال تحزيم من إعداد المقال، لا تشغيل للمكتبة.
إذا احتجنا بدل ذلك إلى فصل 1.0 عن 1.1 و 1.2، فلن يكفي السؤال عن رمز الحزمة الحالية؛ الثلاث تحمل الرمز نفسه. لذلك لا تقول إن اختصار البحث يحتفظ بكل حد ممكن على القيم الخام. الحزمة الواسعة تمنع هذا التفريق المحدد، بغض النظر عن مدى أهميته لمهمتنا.
ولا نستنتج أن ست حزم أفضل دائمًا من اثنتين. قد لا تكون الفروق الصغيرة مفيدة للهدف. ارسم مواضع القيم والحد المراد أولًا، ثم اسأل هل تسمح الحزم بهذا الفصل؛ هذا فحص لتمثيل مثال، وليس قياسًا لجودة نموذج.
أين يحصل اختصار العمل؟
يصف LightGBM بناء المدرج بكلفة مرتبطة بعدد البيانات، ثم حساب مكاسب الانقسام بكلفة مرتبطة بعدد الحزم. [1]
افصل في سجل العمل بين جمع معلومات الحالات داخل الحزم وبين اختبار الحدود بعدها. تقليل عدد الحدود لا يمحو المرور الأول على الحالات. ولو بقيت الحدود قليلة مع زيادة السجلات، فإن العمل المرتبط بهذه السجلات لم يختف. لذلك لا نترجم عبارة «عدد حزم قليل» إلى زمن ثابت للتدريب.
عدد الحزم يحتاج قرارًا موثقًا
في التنفيذ المذكور، max_bins لا يتجاوز 255 للقيم غير المفقودة، مع حزمة إضافية للمفقودات. هذه حدود واجهة معينة، لا تعريف لكل خوارزمية مدرجات. [2]
عند مقارنة إعدادين، سجل عدد الحزم والجودة والزمن والذاكرة في التجربة نفسها. إذا تغيرت البيانات أيضًا فلن تعزل أثر هذا الخيار. اختر التفصيل الذي يخدم المهمة بتكلفة مناسبة، واحتفظ بوحدة القياس الأصلية عند شرح الحدود؛ رمز الحزمة وحده لا يشرح سماكة اللوح.
المصادر ومتابعة القراءة
- LightGBM: Features histogram algorithms (يفتح في نافذة جديدة)lightgbm.readthedocs.io
- scikit-learn: HistGradientBoostingClassifier (يفتح في نافذة جديدة)scikit-learn.org
أُعدّ هذا المقال بصياغة عربية أصلية بالاستناد إلى المصادر أعلاه، وهو مدخل تمهيدي إلى الموضوع. اقرأ منهجية المحتوى وحدوده.