تعد أشجار التعزيز المتدرج من أقوى تقنيات التعلم الآلي، إذ تقوم على أساليب التعلم التجميعي التي تستثمر فكرة التعزيز بدمج متعلمين ضعفاء متعددين على نحو متسلسل بحيث يصحح كل متعلم أخطاء سابقه، ومن ثم تعزز قوتها التنبؤية وقد أظهرت كفاءة بارزة في مشكلات كثيرة حتى صارت من أفضل التقنيات المستخدمة في حل مشكلات التنبؤ، ومع ذلك يظل تحسين أدائها هدفًا مطلوبًا في التطبيقات التنافسية، وتقترح هذه الدراسة مقاربة هجينة تجمع بين أشجار التعزيز المتدرج وتقنيتي التجميع الشهيرتين المتوسطات كا والمتوسطات كا الثنائية التقسيم من أجل تعزيز القدرة التنبؤية في مجموعات بيانات الانحدار تحديدًا
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تطوير مقاربة هجينة تدمج التجميع العنقودي في بنية أشجار التعزيز المتدرج لتحسين كفاءتها التنبؤية في مهام الانحدار، بحيث تستفيد الخوارزمية من تجميع البيانات المتشابهة قبل التعلم أو أثناءه بما يسمح بنماذج أقدر على التقاط البنى المحلية في البيانات، وطُبقت المقاربة المقترحة على أربعين مجموعة بيانات انحدار مصدرها مستودع جامعة كاليفورنيا في إيرفاين ومنصة كاغل، وقورن أداؤها بأداء نموذج وحيد لأشجار التعزيز المتدرج لقياس قيمة الإضافة التي يحققها الدمج العنقودي في ظروف بيانات متنوعة
وللتحقق من دلالة الفروق بين المقاربتين استخدمت الدراسة اختبارات إحصائية لا معلمية مناسبة للمقارنات عبر مجموعات بيانات متعددة هي اختبار فريدمان واختبار ويلكوكسون للإشارات والرتب، بما يمنح النتائج أساسًا إحصائيًا سليمًا يتجاوز المقارنة الوصفية للمتوسطات، ويجعل الحكم على تفوق المقاربة الهجينة قابلًا للدفاع علميًا أمام تفاوت خصائص مجموعات البيانات الأربعين من حيث الحجم والأبعاد وتوزيع القيم
ثانيًا: أبرز النتائج
أظهرت النتائج أن المقاربة الهجينة المقترحة تحقق كفاءة أفضل من استخدام نموذج وحيد لأشجار التعزيز المتدرج على مجموعات بيانات الانحدار الأربعين، فقد أسهم إدماج التجميع بالمتوسطات كا والمتوسطات كا الثنائية التقسيم في تحسين القدرة التنبؤية بصورة عامة عبر تنويع بنية التعلم ومعالجة تجانس البيانات قبل التعزيز، وأكدت الاختبارات الإحصائية المستخدمة أن المقاربة المقترحة تحقق نتائج أفضل بدلالة إحصائية من النموذج الوحيد، وهو ما يرجح أن التحسن ليس وليد صدفة في مجموعة بيانات بعينها
وتتسق هذه النتيجة مع منطق التعلم التجميعي ذاته الذي يقضي بأن دمج آليات متكاملة يولد أداء أرقى من أداء كل آلية منفردة، فالتجميع العنقودي يهيئ البيانات ويقسم فضاءها إلى مناطق أكثر تجانسًا، بينما يتولى التعزيز المتدرج بناء متعلمين متسلسلين يصحح بعضهم أخطاء بعض، وبهذا التكامل يتحسن التعامل مع الأنماط المعقدة وغير الخطية التي تزخر بها بيانات الانحدار الواقعية
ثالثًا: دلالات الدراسة وتطبيقاتها
تتمثل دلالة هذه الدراسة في أنها تقدم للممارسين في علم البيانات وصفة عملية بسيطة نسبيًا لتحسين أداء أحد أكثر نماذج التنبؤ انتشارًا دون الحاجة إلى بناء خوارزميات جديدة من الصفر، إذ يكفي إدماج خطوة تجميع مناسبة في خط المعالجة لتحقيق مكاسب ملموسة في الدقة، وتفتح المجال أمام اختبار توليفات أخرى تجمع بين أشجار التعزيز المتدرج وأساليب تجميع أو معالجة مسبقة مختلفة وفي مهام تنبؤ أخرى غير الانحدار
وتفيد الدراسة الباحثين في التعلم الآلي إذ تقدم لهم توثيقًا تجريبيًا واسعًا عبر أربعين مجموعة بيانات متنوعة المصادر مع تحقق إحصائي صارم من الدلالة، بما يجعل نتائجها قابلة للمقارنة والبناء عليها، وتمنحهم نموذجًا لتصميم دراسات التحسين الهجين يقوم على تنويع مصادر البيانات واستخدام اختبارات لا معلمية ملائمة للمقارنات المتعددة بدل الاكتفاء بمجموعات بيانات محدودة قد تنحرف نتائجها
وتقوم فكرة الدمج على أن تجميع البيانات إلى عناقيد متجانسة يساعد أشجار التعزيز المتدرج على بناء متعلمين أكثر تخصصًا في مناطق محددة من فضاء البيانات، فتقل الأخطاء في المناطق كثيفة التداخل بين الفئات وتتحسن دقة التنبؤ في القيم المتطرفة التي تعجز عنها النماذج العامة عادة، ولهذا اختير نوعان من التجميع يقوم أولهما على تقسيم البيانات إلى عدد محدد من العناقيد حول متوسطاتها، ويقوم ثانيهما على التقسيم الثنائي المتكرر للعناقيد بما يمنح مرونة أكبر في التقاط البنى الهرمية الكامنة في البيانات المعقدة متعددة الأبعاد
وخلاصة القول إن دمج تجميع المتوسطات كا والمتوسطات كا الثنائية التقسيم في أشجار التعزيز المتدرج يرفع كفاءتها التنبؤية في مشكلات الانحدار بدلالة إحصائية مؤكدة، بما يجعل المقاربات الهجينة مسارًا واعدًا لتطوير تقنيات التنبؤ دون كلفة بناء خوارزميات جديدة كليًا
