العينة ومجموعة البيانات في تعلم الآلة: ما الذي نعده فعلا؟

الخلاصة السريعة

حدد وحدة العد أولا: صف أو صورة أو حدث، ثم فرق بين الملاحظة الواحدة والمجموعة التي تضمها.

• تضم مجموعة البيانات ملاحظات منظمة لغرض معين؛ ليست كل الملفات جداول. ^[2]
• يمثل الصف عينة والعمود ميزة في الجدول المعتاد. ^[1] والعينة الإحصائية قد تضم ملاحظات مختارة. ^[3]
• عدد الصفوف لا يثبت عدد الأشخاص أو تنوع الحالات؛ افحص ما الذي تمثله الملاحظة. ^[3]
• وثق وحدة العد ومصدر الاختيار قبل استخدام الحجم دليلا على جودة البيانات.

ما الفرق بين الملاحظة والمجموعة؟

تتكون مجموعة البيانات من عناصر يمكن تنظيمها وتحليلها، وقد تكون في جداول أو مصفوفات أو تنسيقات أخرى. وتستخدم هذه المجموعة في التحليل أو في تجهيز مهام تعلم الآلة. ^[2]

لشرح الفكرة، تخيل أربع صور افتراضية لحقيبة واحدة من زوايا مختلفة. إذا كانت المهمة تصنيف كل صورة، فلديك أربعة أمثلة صورة. وإذا سألت عن عدد الحقائب، فالجواب حقيبة واحدة. لا توجد وحدة عد صحيحة لكل الأسئلة؛ حدد الشيء الذي يقصده الهدف.

لماذا تسمى صفوف الجدول عينات؟

تعرض scikit-learn مصفوفة بعدد عينات وميزات، وتصف العينات بالصفوف والميزات بالأعمدة. ^[1]

في جدول افتراضي لاستهلاك ماء منزل، يمكن أن يمثل الصف قراءة يومية. سنة من القراءات لمنزل واحد تعطي صفوفا كثيرة، لكنها لا تحول المنزل إلى مئات المنازل. اكتب بجانب اسم البيانات «قراءة يومية لكل منزل» بدلا من الاكتفاء بوصف «بيانات منازل».

هل كثرة الصفوف تعني تنوعا أكبر؟

توصي Google بمراجعة مستويات اختيار العينة وتغطيتها، وما قد يغيب عنها أو يسبب تحيزا. ^[3]

في مثال الماء، قد لا تمثل قراءات المنزل الواحد منازل بأعداد سكان مختلفة. وقد تكون قراءات أيام متجاورة مرتبطة بالظروف نفسها. إذا أردت استخدام البيانات لوصف عدة منازل، فعد المنازل والأيام كلا على حدة، وافحص ما ينقصك من حالات.

كيف نكتب وصفا واضحا للحجم؟

استخدم وصفا تعليميا مثل: «300 قراءة يومية من 10 منازل خلال شهر». الأعداد هنا للتوضيح، لكنها تبين الفرق بين عدد السجلات وعدد الوحدات التي جاءت منها. أضف قاعدة اختيار المنازل وكيف تعاملت مع الأيام التي لم تسجل قراءة.

قبل مقارنة مجموعتين، تحقق من أنهما تعدان الشيء نفسه. مجموعة من الصور وأخرى من المقاطع لا تقارنان بمجرد عدد الملفات. وقد يحتوي مقطع على صور كثيرة؛ المهم هو وحدة المهمة واستقلال الحالات وتغطيتها، مع بقاء كلمة الحجم وصفا محددا لا حكما عاما بالجودة.