يعد اختيار السمات عملية حاسمة في مهام التصنيف ضمن الذكاء الاصطناعي، إذ يستهدف تحديد أصغر مجموعة جزئية من السمات وأكثرها إفادة بما يعظم دقة التصنيف ويخفض كلفة المعالجة، غير أن هذه العملية مسألة توافقية صعبة الحل تتطلب توظيف خوارزميات ما وراء استدلالية قوية تعمل بوصفها استراتيجيات فعالة في اختيار السمات، وتزداد الصعوبة حين تطبق هذه الأساليب على مجموعات بيانات عالية الأبعاد تتسم بعدد هائل من السمات وعينات محدودة، فتتراجع كفاءتها وترتفع كلفتها الحسابية، وفي هذا السياق تأتي هذه الدراسة لتقدم تطويرًا جوهريًا لخوارزمية مستوحاة من الطبيعة بما يعزز قدرتها على التعامل مع هذا النوع من المسائل المعقدة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى معالجة قصور خوارزمية تحسين السحلية ذات القرون، وهي خوارزمية ما وراء استدلالية مستوحاة من الطبيعة تحاكي رياضيًا آليات الدفاع التكيفية لدى السحالي ذات القرون، ومنها التخفي وتعديل لون الجلد وقذف الدم وحركات الهرب، وعلى الرغم مما تتمتع به من بساطة ومرونة وعدد محدود من المعاملات، فإنها تعاني بطء التقارب وميلًا إلى الوقوع في الأمثلية المحلية بما يؤدي إلى أداء دون المستوى في اختيار السمات، ولهذا اقترحت الدراسة خوارزمية محسنة متعددة الاستراتيجيات تدمج ثلاث استراتيجيات جديدة هي عامل الهرب المحلي الذي يعزز تنوع المجتمع بتمكين الحلول من الإفلات من الأمثلية المحلية، وآلية تنويع رايم التي تحسن قدرات الاستكشاف، والتعلم المتعامد الذي يصقل عملية البحث ويضمن تقاربًا أفضل ويمنع الجمود المبكر، ثم قيمت فعالية الخوارزمية المقترحة تقييمًا صارمًا باستخدام اثنتي عشرة دالة اختبار معقدة من مجموعة اختبارات سي إي سي لعام ألفين واثنين وعشرين وأربع عشرة مجموعة بيانات معيارية من مستودع يو سي آي للتعلم الآلي، مع مقارنة أدائها بأحدث الخوارزميات في هذا المجال
ثانيًا: أبرز النتائج
أظهرت التحليلات المقارنة أن الخوارزمية المحسنة متعددة الاستراتيجيات حققت دقة تصنيف أعلى من الخوارزميات المنافسة الحديثة، واختارت مجموعة سمات أصغر حجمًا وأكثر فاعلية، وأبدت متانة واضحة في مهام اختيار السمات عالية الأبعاد التي تتعثر فيها الأساليب التقليدية، كما نجحت الاستراتيجيات المضافة في تجاوز مشكلتي بطء التقارب والوقوع في الأمثلية المحلية اللتين حدتا من أداء الخوارزمية الأصلية، فأسهم عامل الهرب المحلي في الحفاظ على تنوع الحلول، وحسنت آلية التنويع استكشاف فضاء البحث، وضمن التعلم المتعامد صقل النتائج ومنع التوقف المبكر عن التحسن، وتؤكد هذه النتائج مجتمعة إمكانات الخوارزمية المقترحة بوصفها إطار تحسين قويًا لاختيار السمات المتقدم ولمسائل التحسين المعقدة بوجه عام
ثالثًا: دلالات الدراسة وتطبيقاتها
تفتح نتائج هذه الدراسة آفاقًا عملية واسعة في مجالات تحليل البيانات الضخمة وبناء نماذج التصنيف، إذ يتيح خفض عدد السمات المختارة مع رفع دقة التصنيف بناء نماذج أسرع وأخف وأكثر قابلية للتفسير في تطبيقات متنوعة، كما يقدم الدمج بين استراتيجيات الاستكشاف والهرب والتعلم المتعامد وصفة منهجية قابلة للنقل إلى خوارزميات تحسين أخرى تعاني مشكلات مشابهة في التقارب والتنوع، ويفيد الباحثين في علوم الحاسوب والبيانات عند التعامل مع البيانات عالية الأبعاد ذات العينات المحدودة التي تتزايد في التطبيقات المعاصرة
وتكمن أهمية معالجة مشكلة اختيار السمات في أن مجموعات البيانات المعاصرة في مجالات كثيرة باتت تضم آلاف السمات المحتملة مقابل عينات محدودة الحجم، وهو اختلال يجعل النماذج عرضة لفرط التخصيص ويرفع كلفة التدريب والتنبؤ ويضعف قابلية النتائج للتفسير، ولذلك تمثل الخوارزميات ما وراء الاستدلالية العاملة بأسلوب الأغلفة خيارًا عمليًا لأنها تبحث في فضاء التركيبات الممكنة بحثًا ذكيًا دون الحاجة إلى استنفاد الاحتمالات كلها، غير أن نجاحها مشروط بقدرتها على الموازنة بين استكشاف مناطق جديدة من فضاء البحث واستثمار المناطق الواعدة التي اكتشفتها، وهي الموازنة ذاتها التي استهدفتها الاستراتيجيات الثلاث المقترحة في هذه الدراسة، فجاءت النتائج لتؤكد أن تحسين آليات الهرب من الأمثلية المحلية وتنويع البحث وتعلمه المتعامد يرفع كفاءة الخوارزمية في انتقاء سمات قليلة العدد عالية القيمة، وهو ما ينسحب أثره على جودة نماذج التصنيف المبنية عليها
وخلاصة القول إن الدراسة قدمت خوارزمية محسنة متعددة الاستراتيجيات تعالج بفاعلية نقاط ضعف خوارزمية السحلية ذات القرون، وأثبتت عبر اختبارات معيارية ومقارنات واسعة تفوقها في دقة التصنيف وانتقاء السمات والمتانة، بما يجعلها أداة واعدة للباحثين والممارسين الساعين إلى حلول تحسين موثوقة في مهام اختيار السمات والتحسين المعقد
هل تحتاج إلى دعم متخصص في بحثك؟
يمكنك طلب الخدمة مباشرة عبر حساب الباحث، وسيتابع معك فريق مؤسسة النظم طلبك خطوة بخطوة حتى اكتمال الإنجاز
