Enhanced Binary Kepler Optimization Algorithm for effective feature selection of supervised learning classification

يمثل اختيار الخصائص أحد التحديات المحورية في التعلم الآلي، إذ تتضمن مجموعات البيانات الحديثة أعدادًا ضخمة من الخصائص لا يسهم كثير منها في دقة التصنيف، بل قد يربك النماذج ويرفع كلفتها الحسابية وزمن تدريبها، ومن هنا تتجه الأبحاث إلى خوارزميات التحسين فوق الاستدلالية لاختيار أصغر مجموعة ممكنة من الخصائص الأكثر تمثيلًا، وتندرج هذه الدراسة في هذا الاتجاه، إذ تقترح خوارزمية محسنة لاختيار خصائص نماذج التصنيف في التعلم الموجه، مستلهمة قوانين حركة الكواكب، ومقترنة بآليات طفرة من التطور التفاضلي، بما يوازن بين استكشاف فضاء الحلول الواسع واستغلال أفضل الحلول المكتشفة

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى تطوير خوارزمية محسنة ثنائية الصيغة لاختيار الخصائص تستند إلى قوانين كبلر لحركة الكواكب، عبر دمجها مع مقاربتين للطفرة من التطور التفاضلي، إحداهما عشوائية والأخرى موجهة نحو الحل الأفضل، بما يحقق توازنًا فعالًا بين الاستكشاف والاستغلال ويقود عملية البحث بكفاءة نحو المجموعات المثلى من الخصائص، وقُوّمت الخوارزمية المقترحة باستخدام مصنفين شائعين هما مصنف الجيران الأقرب وآلة المتجهات الداعمة، على 25 مجموعة بيانات معيارية معروفة في بحوث التعلم الآلي، من بينها ثلاث مجموعات واسعة النطاق، ورُصد أداؤها مقارنة بخوارزميات فوق استدلالية حديثة في الدقة وتقليص الخصائص والكفاءة الحسابية، مع التحقق من دلالة الفروق إحصائيًا باختبار ويلكوكسون لمجموع الرتب

ثانيًا: أبرز النتائج

أظهرت النتائج تفوق الخوارزمية المقترحة على الخوارزميات فوق الاستدلالية الحديثة في دقة التصنيف وتقليص عدد الخصائص المختارة والكفاءة الحسابية في آن واحد، كما تميزت بتقارب سريع نحو الحلول الجيدة، وباختيار حد أدنى من الخصائص دون التضحية بمستوى الأداء، وبقدرة واضحة على التوسع والتعامل مع مجموعات البيانات الكبيرة، وهو ما يجعلها أداة قوية وقابلة للتكيف لتعزيز اختيار الخصائص في تطبيقات التعلم الآلي المتنوعة، وقد دعمت الاختبارات الإحصائية هذه الأفضلية بما يمنح النتائج متانة توثيقية

ثالثًا: دلالات الدراسة وتطبيقاتها

تكمن دلالة هذه النتائج في أن دمج قوانين حركة الكواكب مع آليات الطفرة التفاضلية يقدم وصفة فعالة لمعالجة مشكلة التوازن بين الاستكشاف والاستغلال التي تواجه خوارزميات التحسين عمومًا، كما أن تقليص عدد الخصائص مع الحفاظ على الدقة يخفض زمن التدريب وكلفة النماذج ويسهل تفسير قراراتها، وهو ما ينعكس إيجابًا على تطبيقات التصنيف في المجالات كثيفة البيانات، ويفتح الباب أمام توظيف الخوارزمية المقترحة في مهام أخرى لاختيار الخصائص ومشكلات تحسين مترابطة في التعلم الآلي ومعالجة البيانات الضخمة

وتقوم الفكرة الجوهرية للخوارزمية على محاكاة حركة الكواكب حول الشمس وفق قوانين كبلر، إذ تُعامل الحلول المرشحة معاملة الأجرام المتحركة في مدارات تتحدد بسرعاتها ومواضعها، فتتقارب الحلول الواعدة نحو الحل الأفضل كما تنجذب الأجرام نحو المركز، بينما تحافظ الحلول البعيدة على تنوع البحث وتمنع الوقوع المبكر في حلول محلية دون المثلى، ويأتي دمج آليتي الطفرة من التطور التفاضلي ليعزز هذا التوازن، فتمنح الطفرة العشوائية البحث قدرة على استكشاف مناطق جديدة من فضاء الحلول، بينما تشد الطفرة الموجهة نحو الحل الأفضل وتيرة التقارب نحو المناطق الواعدة، وباجتماعهما تتجنب الخوارزمية عجزين متقابلين هما التشتت غير المنتج والتقارب المتسرع نحو حلول غير ناضجة

ولاختيار الخصائص الفعال وزن خاص في بناء نماذج تصنيف جديرة بالثقة، فإسقاط الخصائص الزائدة والمشوشة لا يختصر زمن التدريب وكلفة الحساب فحسب، بل يرفع قابلية النموذج للتفسير ويحد من فرط التخصيص الذي يضعف أداءه أمام البيانات الجديدة، وقد أثبتت الخوارزمية المقترحة هذه المزايا مجتمعة عبر طيف واسع من مجموعات البيانات المعيارية، بما فيها مجموعات واسعة النطاق تمثل اختبارًا حقيقيًا لقابلية التوسع، ودعم اختبار ويلكوكسون لمجموع الرتب الفروق المرصودة بدلالة إحصائية، بما يرفع النتائج من مجرد فروق عددية عابرة إلى أفضلية منهجية موثقة قابلة للبناء عليها في بحوث لاحقة

ويعزز اجتماع هذه المزايا المتنوعة في خوارزمية واحدة، من سرعة تقارب واقتصاد في الخصائص المنتقاة وقدرة على معالجة البيانات الواسعة النطاق، موقع الخوارزمية المقترحة بين أدوات التحسين فوق الاستدلالية الحديثة وخيارات الباحثين والممارسين العملية في بناء نماذج التصنيف

وخلاصة القول إن الخوارزمية المقترحة تمثل إضافة منهجية واعدة في حقل اختيار الخصائص، إذ جمعت بين الإلهام الفيزيائي المستمد من حركة الكواكب وآليات طفرة فعالة من التطور التفاضلي، وأثبتت تفوقًا موثقًا بالأدلة الإحصائية في الدقة والاقتصاد الحسابي وقابلية التوسع، بما يرشحها خيارًا عمليًا للباحثين والممارسين في بناء نماذج تصنيف رشيقة وعالية الأداء