تحتل خوارزميات التجميع مكانة محورية في مجال التنقيب عن البيانات، إذ تتيح أدوات قوية للكشف عن الأنماط والبنى الخفية داخل مجموعات البيانات، وتسعى هذه الخوارزميات إلى تقسيم نقاط البيانات إلى مجموعات متماسكة استنادًا إلى أوجه التشابه أو الاختلاف بينها بما ييسر استكشاف البيانات المعقدة وفهمها، وتعتمد خوارزميات التجميع عادة على مقاييس التشابه لتقدير مدى التماثل بين نقاط البيانات، ومن ثم يصبح اختيار مقياس تشابه ملائم أمرًا حاسمًا لتحقيق نتائج تجميع مرضية، غير أن هذا القرار قد يطرح تحديات كبيرة ولا سيما أمام غير المتخصصين بالنظر إلى كثرة مقاييس التشابه المتاحة في الأدبيات وارتباط أدائها ارتباطًا وثيقًا بطبيعة مجموعة البيانات وخوارزمية التجميع ومؤشر صدق التجميع المستخدم، وتزداد هذه الصعوبة أهمية عند النظر في تجميع البيانات المختلطة التي تجمع بين سمات عددية وسمات فئوية في آن واحد
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تقديم نظام جديد لتوصية مقاييس التشابه في تجميع البيانات المختلطة أطلق عليه الباحثون اسم سيمريك، ويقوم هذا النظام على توظيف التعلم البعدي لاستخراج العلاقة بين خصائص مجموعات البيانات وأداء مقاييس التشابه عبر خوارزميات مختلفة لتجميع البيانات المختلطة ومؤشرات مختلفة لصدق التجميع، فعند توافر مجموعة بيانات مختلطة وخوارزمية لتجميع البيانات المختلطة ومؤشر لصدق التجميع يستطيع النظام أن يوصي بأزواج ملائمة من مقاييس التشابه العددية والفئوية استنادًا إلى خصائص مجموعة البيانات، وقد نفذ الباحثون النظام المقترح باستخدام مئة وثلاثين زوجًا من مقاييس التشابه تضم عشرة مقاييس عددية وثلاثة عشر مقياسًا فئويًا، وأربع خوارزميات شائعة الاستخدام في تجميع البيانات المختلطة، وثلاثة مؤشرات لصدق التجميع هي مؤشر الصورة الظلية ودقة التجميع ومؤشر راند المعدل، ثم اختبر النظام على مئة وخمس وثمانين مجموعة بيانات مختلطة متاحة للعموم للتحقق من كفاءته مقارنة بالأزواج الأساسية المستخدمة تقليديًا في الأدبيات
ثانيًا: أبرز النتائج
أظهرت التجارب التي أجريت على مجموعات البيانات المختلطة المتاحة للعموم أن أزواج مقاييس التشابه التي أوصى بها نظام سيمريك تفوقت على الأزواج الأساسية بما فيها الأزواج المستخدمة تقليديًا في الأدبيات العلمية، ويعني هذا التفوق أن التوصية المؤسسة على خصائص مجموعة البيانات ذاتها تنتج تجميعات أكثر جودة من الاعتماد على اختيارات ثابتة لا تراعي خصوصية البيانات، كما بينت النتائج أن مشكلة اختيار مقياس التشابه في البيانات المختلطة لا تحل بمقياس واحد لأن طبيعة السمات العددية تختلف عن طبيعة السمات الفئوية مما يستلزم الجمع بين مقياسين أحدهما للسمات العددية والآخر للسمات الفئوية، وأكدت الدراسة أن أداء أي مقياس يرتبط ارتباطًا وثيقًا بثلاثة عناصر متداخلة هي مجموعة البيانات وخوارزمية التجميع ومؤشر الصدق، ومن ثم فإن التوصية الذكية التي تراعي هذه العناصر مجتمعة تتفوق على التوصية الجزئية التي تنظر إلى عنصر واحد فقط
ثالثًا: دلالات الدراسة وتطبيقاتها
تنبع أهمية هذه الدراسة من معالجتها عقبة عملية تواجه الباحثين والممارسين عند تحليل البيانات المختلطة، إذ تخفف التوصية الآلية المؤسسة على التعلم البعدي عبء الاختيار عن غير المتخصصين وتقلل من مخاطر النتائج غير المرضية الناجمة عن مقياس غير ملائم، كما يقدم النظام إطارًا قابلًا للتوسع يمكن البناء عليه بإضافة مقاييس وخوارزميات ومؤشرات جديدة، ويفيد محللي البيانات في مجالات متعددة تتعامل مع بيانات تجمع بين أرقام وفئات مثل بيانات العملاء والسجلات المؤسسية، ويرفع جودة قرارات التجميع التي تبنى عليها خطوات لاحقة في التحليل واتخاذ القرار
وتجدر الإشارة إلى أن قيمة النظام المقترح تتجلى في تحويله خبرة متراكمة في أدبيات التجميع إلى توصية جاهزة عند الحاجة، فبدل أن يجرب الباحث أزواجًا عديدة بصورة عشوائية حتى يصل إلى نتيجة مرضية يبدأ من توصية مؤسسة على خصائص بياناته ذاتها، وتشمل الخوارزميات التي غطاها النظام أنماطًا متنوعة من منطق التجميع بما يجعل نطاق انطباقه واسعًا عبر مهام تحليلية متفاوتة التعقيد والغرض
وخلاصة القول إن الدراسة قدمت نظام سيمريك بوصفه حلًا قائمًا على التعلم البعدي لتوصية أزواج مقاييس التشابه الملائمة لتجميع البيانات المختلطة، وأثبتت تجاربه على مئة وخمس وثمانين مجموعة بيانات تفوق توصياته على الأزواج التقليدية، مما يجعله أداة عملية تدعم جودة التجميع وتيسر مهمة الباحثين والممارسين في التعامل مع البيانات غير المتجانسة
