تجزئة الخصائص بالإشارة: كيف تصبح الخانة صفرا رغم وجود خاصيتين؟

الخلاصة السريعة

لأن مساهمتين متساويتين بإشارتين متعاكستين قد تتلاشيان في الخانة المشتركة؛ الصفر الناتج لا يثبت غياب المدخلات.

• ينقل FeatureHasher أسماء الخصائص إلى خانات محددة ويستخدم الإشارات مع alternate_sign، ولا يوفر inverse_transform لاسترجاع أسماء الخصائص الأصلية. ^[1]
• نعلن قاعدة مؤلفة ذات خانتين: س إلى الخانة 0 بإشارة موجبة، وص إلى الخانة 0 بإشارة سالبة. إذا كانت قيمة كل منهما 4 ، صار مجموع الخانة +4−4=0 ، والخانة 1 صفرًا أيضا.
• المدخل الخالي يعطي [0 ، 0] في قاعدتنا كذلك. تساوي المتجهين لا يجعل المدخلين متساويين، ولا يسمح بتحديد ما إذا كان الصفر غيابا أم تلاشي مساهمات.
• القاعدة ليست ناتج تجزئة فعلي أو ادعاء عن احتمال التصادم. نوثق أسماء الخصائص وسياسة التمثيل ونحفظ الأصل عند الحاجة لتفسيره؛ لا يضمن تغيير عدد الخانات زوال التصادم أو تحسن الأداء.

كيف تصل أسماء الخصائص إلى خانات عددية؟

توضح وثائق scikit-learn أن FeatureHasher يحول أسماء الخصائص إلى فهارس أعمدة، ويستخدم alternate_sign للإشارة، ولا يتيح inverse_transform لاسترجاع الخصائص الأصلية. ^[1]

نقصد بالخانة هنا موضعا في متجه الخصائص، لا سجلا في قاعدة بيانات أو بصمة ملف أمنية. يحدد الاسم موضع المساهمة وفق سياسة التمثيل، ثم تدخل قيمتها في حساب ذلك الموضع.

نعلن للمثال قاعدة صغيرة من صنعنا بدلا من استخراج تجزئات من مكتبة. يسمح ذلك برؤية أثر تصادم اسمين في خانة واحدة دون ادعاء أن أسماء بعينها ستتصادم تحت أي إعداد حقيقي.

ماذا يحدث لمساهمتين متعاكستين؟

نفترض وجود خانتين مرقمتين 0 و 1. في القاعدة التي اخترناها، تتجه س وص إلى الخانة 0 ، لكن مساهمة س موجبة ومساهمة ص سالبة. لا توجد مساهمة أخرى إلى أي خانة في هذا المثال.

تجمع الخانة 0 مقدار +4 ومقدار −4 ، فيكون الناتج صفرًا. والخانة 1 لا تتلقى مساهمة، فتبقى صفرًا. بذلك نحصل على المتجه [0 ، 0] من مدخل يحوي خاصيتين بقيم غير صفرية.

كل من رقم الخانة والإشارة محدد سلفا في المثال، وليس ناتجا ادعينا أن دالة تجزئة أعادته. ولم نحسب احتمال وقوع هذه الحالة أو نختبر نموذج تعلم بها.

لماذا لا يكشف الصفر المدخل الأصلي؟

نقارن الآن مدخلا خاليا من الخصائص، تحت قاعدة الجمع نفسها، بالمدخل السابق الذي يحتوي س وص. الخالي يعطي صفرًا في الخانتين، والسابق يعطي صفرًا في الخانتين بالتلاشي. النتيجة العددية واحدة، لكن المدخلين مختلفان.

إذن لا يكفي قراءة [0 ، 0] لاستنتاج أن س غير موجودة أو أن ص غير موجودة. قد يمثل الصفر غياب مساهمات أو تساوي مساهمات متعاكسة، وقد توجد حالات أخرى في قواعد أكبر لا نبحثها هنا.

لا يناقض ذلك صحة الحساب؛ المشكلة في محاولة استرجاع تفاصيل فقدها التمثيل. إذا احتجنا تفسير أسماء الخصائص وقيمها، نقترح الاحتفاظ بمدخلها الأصلي أو بسجل منفصل يحقق غرض التفسير، بدل اختراع أسماء من الخانات.

ما الذي نثبته عند استعمال التمثيل؟

نقترح توثيق عدد الخانات وسياسة إشارة المساهمة وتعريف أسماء الخصائص وطريقة تكوينها، ثم استعمال القاعدة المتفق عليها مع النموذج. تغيير السياسة قد يغير معنى إحداثيات المتجه الذي يتلقاه، حتى إن بقي عدد الخانات كما هو.

زيادة عدد الخانات ليست برهانا تلقائيا على استحالة التصادم؛ يلزم فحص التمثيل المحدد والبيانات والهدف. كما لا يثبت مثال التلاشي أن نموذجنا سيفشل أو أن تعطيل الإشارة سيحسن أداءه.

لم ننشئ تجزئات فعلية أو ندرب مصنفا. القيمة الأصلية هنا هي فصل معنى الصفر العددِي عن وجود الخصائص قبل التمثيل، وإظهار حد الاسترجاع بحالتين معلنتين. تبقى ملاءمة طريقة الترميز للمهمة بحاجة تقييم مستقل.