التصنيف والانحدار: كيف أعرف نوع المهمة؟
Classification vs Regression
الجواب المختصر
في التعلم تحت الإشراف نوعان من المشكلات: التصنيف (Classification) حيث الناتج فئة أو اسم مثل «سبام/ليس سبام» أو «مريض/سليم» أو نوع زهرة، والانحدار (Regression) حيث الناتج رقم مستمر مثل سعر 250000 أو درجة حرارة 32.5 أو علامة 88. ولاختيار نوع المهمة انظر إلى شكل المخرجات: فئة أم رقم.
| التصنيف | الانحدار | |
|---|---|---|
| المخرجات | فئة أو اسم | رقم مستمر |
| أمثلة | بريد مزعج/سليم، ناجح/راسب، نوع زهرة | سعر بيت، حرارة، علامة |
| نماذج في الموقع | اللوجستي، SVM، أشجار القرار | الانحدار الخطي |
تنبيه شائع
الانحدار اللوجستي اسمه «انحدار» لكنه يُستخدم للتصنيف: يتوقع احتمالًا بين 0 و1 ثم يحوّله إلى قرار بعتبة، كما في صفحته. فالاسم لا يحدد نوع المهمة، بل المخرجات.
وضع هذه المهمة ضمن التعلم تحت الإشراف، وتقسيم البيانات في التدريب والاختبار.
اختبار سريع
- توقع إن كان العميل سيشتري (نعم/لا): تصنيف.
- توقع قيمة فاتورة العميل القادمة: انحدار.
- توقع نوع زهرة من قياساتها: تصنيف.
- توقع درجة حرارة الغد: انحدار.
وهذا الفرق يحدد أيضًا طريقة التقييم: دقة التصنيف أو خطأ الانحدار. وإن كانت المخرجات أرقامًا لكنها تمثل فئات (1 للنجاح و0 للفشل) فهي تصنيف رغم أنها أرقام؛ المعيار هو معنى المخرجات لا شكل الرمز.
المصطلحات: عربي ↔ English
- تصنيف
- Classification
- انحدار
- Regression
- فئة
- Class/Category
لماذا يهمّ هذا في BTEC؟
اختيار نوع المهمة يحدد الخوارزميات والمقاييس: الدقة للتصنيف، وخطأ مثل MSE للانحدار.
أسئلة تجيب عنها هذه الصفحة
- ما الفرق بين التصنيف والانحدار؟
- متى أستخدم التصنيف ومتى أستخدم الانحدار؟
مفاهيم مرتبطة
- التعلم تحت الإشراف وبدون إشراف: الفرق وأمثلةفي التعلم تحت الإشراف تكون لدينا مدخلات X معها الإجابة الصحيحة Y فيتعلم النموذج العلاقة بينهما ثم يتنبأ، وفي التعلم بدون إشراف مدخلات فقط ويكتشف النموذج الأنماط، كتقسيم العملاء إلى مجموعات.
- الانحدار اللوجستي: كيف يتحول الاحتمال إلى قرار؟الانحدار اللوجستي نموذج تعلم تحت الإشراف يُستخدم عندما تكون النتيجة فئة 0 أو 1: يتوقع احتمالًا بين 0 و1 عبر دالة السيجمويد ثم يحوّله إلى قرار بعتبة (غالبًا 0.5).
- الانحدار الخطي (Linear Regression) ومقياس الخطأ MSEالانحدار الخطي يبحث عن أفضل خط مستقيم y = mx + c يقرّب العلاقة بين المدخل والمخرج، حيث m الميل وc المقطع. ويقيس MSE متوسط مربع الخطأ بين القيم الحقيقية والمتوقعة: كلما صغر كان النموذج أدق.
- أشجار القرار (Decision Trees): كيف تتعلم وكيف نقرأها وما الـ Overfitting؟شجرة القرار تشبه لعبة الأسئلة المتتابعة (نعم/لا): تقسم البيانات خطوة بخطوة بسؤال بسيط على ميزة حتى تصل إلى قرار نهائي في الأوراق. سهلة التفسير، لكنها قد تحفظ بيانات التدريب إن كانت عميقة جدًا.
- آلة المتجهات الداعمة (SVM): الهامش والمتجهات الداعمة والنواةSVM نموذج تصنيف يرسم حدًّا يفصل الفئات بأكبر هامش أمان عن أقرب النقاط (المتجهات الداعمة). يمكن أن يكون خطيًا أو غير خطي باستخدام نواة (Kernel)، ويحتاج توحيد مقاييس الميزات.
عن كاتب الصفحة
مدرّس BTEC IT · الأردن
- نوع المحتوى
- شرح مبني على مادة أحمد دومي — وليس نصًّا رسميًّا من Pearson
- آخر مراجعة
- ملاحظة على المصدر
- تعتمد هذه الصفحة على ملاحظات قصيرة لأحمد دومي عن الموضوع، وأُضيف إليها شرح توضيحي عام ليكتمل الجواب.
- المصدر
- ملاحظات تعلّم الآلة وأدوات الذكاء الاصطناعي (أحمد دومي) — التصنيف والانحدار