التكديس Stacking يدرب نموذجًا أخيرًا على مخرجات نماذج أساسية. بدل الاكتفاء بمتوسط ثابت، يتعلم المجمع علاقة بين هذه المخرجات والنتيجة المطلوبة. [1]
الخلاصة السريعة
أنشئ تنبؤات لحالات لم تدخل تدريب النسخة التي تنبأت بها، ثم استعملها مع تسمياتها لتدريب المجمع. في StackingClassifier المعتاد تحصل هذه التنبؤات بالتحقق عبر الطيات. [1]
- تتحول مخرجات النماذج الأساسية إلى مدخلات لمجمع يتعلم منها؛ نوع المخرج يحدده الإعداد. [1]
- لإنتاج صف خارج الطية، تتنبأ نسخة تدربت على الطيات الأخرى بالحالة؛ المعرفات في المثال مصطنعة.
- يفرق StackingClassifier بين تنبؤات الطيات لتدريب المجمع والنماذج الأساسية النهائية المدربة على كامل بيانات التدريب. [1]
- الطيات هنا لإنشاء تنبؤات وليست تقييمًا نهائيًا؛ prefit على البيانات نفسها يحمل خطر فرط ملاءمة كبيرًا. [1]
من جدول خصائص إلى جدول تنبؤات
يستخدم التكديس مخرجات المقدرات الأساسية مدخلًا للمقدر النهائي. [1]
تخيل نموذجين يصنفان حالات تعليمية إلى أ وب. للحالة ق قد يعطينا الأول احتمال أ 0.2 والثاني 0.6. نكتب القيمتين في صف، ونضع تسمية الحالة في عمود الهدف. هذه أرقام مفروضة للتوضيح. يرى المجمع هذا النمط من المخرجات، لكنه يحتاج صفوفًا أخرى لتتعلم طريقة الجمع؛ صف واحد لا يحدد قاعدة عامة.
لا تعد اختيار المتوسط يدويًا تدريبًا لمجمع. في التكديس يوجد نموذج أخير له إعداد وتعلم، وتحتاج إلى معرفة هل مدخلاته أسماء فئات أم احتمالات أم درجات. اكتب ذلك بجانب أسماء النماذج، حتى لا تختلط قيم مختلفة المعنى.
كيف ننتج صفًا خارج الطية؟
نفترض أربع حالات مصطنعة موزعة على مجموعتين: م 1 وم 2، ون 1 ون 2. لتوليد مخرجات م 1 وم 2، ندرب نسخ النموذجين على ن 1 ون 2 فقط. ولتوليد مخرجات ن 1 ون 2، ندرب نسخًا أخرى على م 1 وم 2. نجمع الصفوف بعد إعادة كل مخرج إلى معرف الحالة الصحيح.
لم تتدرب النسخة التي تنبأت بم 1 على م 1 في هذه الخطوة. هذا هو الشرط الذي نفحصه، وليس مجرد وجود عمود يحمل اسم التنبؤ. احتفظ بمعرف النسخة ومعرفات تدريبها؛ تبديل صفين عند الجمع سيقرن مخرج حالة بتسمية حالة أخرى، فيفسد المادة التي يتعلم منها المجمع.
ماذا يحدث عند التنبؤ الجديد؟
توثق StackingClassifier تدريب المجمع على تنبؤات تحقق عبر الطيات، مع تدريب النماذج الأساسية النهائية على كامل X. [1]
عند وصول حالة جديدة، تنتج النسخ الأساسية النهائية مخرجاتها، ثم يقرأها المجمع حسب ترتيب الأعمدة المحفوظ. نسخ إنتاج صفوف الطيات أدت وظيفة بناء مادة تدريب المجمع؛ لا نفترض أنها كلها بقيت أعضاء التنبؤ النهائي. راجع إعداد التنفيذ ونسخه قبل تفسير نتيجة خدمة تستخدم هذا البناء.
أين يبقى التقييم؟
تنبه الوثائق إلى أن cv هنا لإنتاج التنبؤات، وإلى خطر كبير لفرط الملاءمة عند prefit إذا تدربت النماذج الأساسية على بيانات تدريب المجمع نفسها. [1]
لا تقدم نجاح المجمع في صفوف تعلّم منها حكمًا مستقلًا على المجموعة. صف كيف أنشأت مخرجات التدريب، وكيف قيّمت البناء النهائي. ولا تعمم مثال مجموعتين على بيانات تتطلب ترتيبًا زمنيًا أو مجموعات خاصة. المقصود توضيح علاقة الحالة بنسخة النموذج، لا وصفة تقسيم جاهزة لكل مهمة.
المصادر ومتابعة القراءة
- scikit-learn: StackingClassifier (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.