تقسيم 80/20 في تعلم الآلة

Attaf Chairul Apr 30, 2025 Apr 30, 2025 4 min read
80 20 split machine learning
<h2>مرحباً يا قارئ! هل تساءلت يومًا عن كيفية تحسين نماذج تعلم الآلة لديك بكفاءة وفعالية؟</h2>
<p>تقسيم 80/20 في تعلم الآلة هو مفهوم قوي يمكن أن يحدث فرقًا كبيرًا في أداء النموذج.  إنه ليس مجرد تقنية، بل هو استراتيجية شاملة لتحسين الموارد وتسريع عملية التطوير.</p>
<p><b>استعد لاكتشاف كيف يمكن لتقسيم 80/20 أن يغير طريقة عملك مع تعلم الآلة.</b> <b>سوف تتعلم كيفية تحقيق أقصى استفادة من بياناتك وتحسين نماذجك بسرعة البرق.</b></p>
<p>بصفتي خبيرًا في هذا المجال، قمت بتحليل تقسيم 80/20 في تعلم الآلة بشكل مكثف.  وسأشارك معك رؤى قيّمة وأفضل الممارسات لمساعدتك على إتقان هذه التقنية. استعد للانطلاق!</p>


<h2><center><img src="https://tse1.mm.bing.net/th?q=فوائد تقسيم 80/20 في تعلم الآلة" alt="فوائد تقسيم 80/20 في تعلم الآلة"></center>فوائد تقسيم 80/20 في تعلم الآلة</h2>
<ul>
<li>تحسين كفاءة التدريب</li>
<li>تقليل فرصة فرط التخصيص</li>
<li>تحديد أهم الميزات</li>
</ul>

<h3>أهمية تقسيم البيانات</h3>
<p>تقسيم 80/20، المعروف أيضًا باسم مبدأ باريتو، ينص على أن 80٪ من النتائج تأتي من 20٪ من الجهود. في تعلم الآلة، يتم تطبيق هذا المبدأ عن طريق تقسيم مجموعة البيانات إلى مجموعتين: مجموعة التدريب (80٪) ومجموعة الاختبار (20٪). </p>
<p>تُستخدم مجموعة التدريب لتدريب النموذج، بينما تُستخدم مجموعة الاختبار لتقييم أدائه على بيانات جديدة غير مرئية. هذا التقسيم ضروري لمنع فرط التخصيص وضمان تعميم النموذج بشكل جيد على البيانات الجديدة.</p>
<p>يُساعد تقسيم البيانات على ضمان أن النموذج لا يحفظ بيانات التدريب فقط، ولكنه يتعلم الأنماط العامة التي يمكن تطبيقها على بيانات جديدة. </p>


<h3>تطبيق تقسيم 80/20</h3>
<p>لتطبيق تقسيم 80/20، يجب عليك أولاً تحديد مجموعة البيانات الخاصة بك.  ثم، قم بتقسيمها عشوائيًا إلى مجموعتين بنسبة 80/20.</p>
<p>تأكد من أن التقسيم عشوائي لتجنب أي تحيز في النموذج.  بعد التقسيم، استخدم مجموعة التدريب لتدريب النموذج وقم بتقييمه باستخدام مجموعة الاختبار.</p>
<p>يمكن استخدام تقسيم 80/20 مع أي خوارزمية تعلم آلة. </p>


<h3>التحقق من صحة النموذج</h3>
<p>بعد تدريب النموذج، من المهم التحقق من صحته باستخدام مجموعة الاختبار.  يساعد هذا في تقييم أداء النموذج على بيانات جديدة وضمان تعميمه الجيد.</p>
<p>هناك العديد من مقاييس التقييم التي يمكن استخدامها، مثل الدقة والضبط والاستدعاء.  اختر المقياس الأنسب لمهمتك.</p>
<p>باستخدام تقسيم 80/20 والتحقق من صحة النموذج، يمكنك بناء نماذج تعلم آلة قوية وفعالة.</p>


<h2><center><img src="https://tse1.mm.bing.net/th?q=أمثلة على تقسيم 80/20 في تعلم الآلة" alt="أمثلة على تقسيم 80/20 في تعلم الآلة"></center>أمثلة على تقسيم 80/20 في تعلم الآلة</h2>
<ul>
<li>تصنيف الصور</li>
<li>تحليل المشاعر</li>
<li>التنبؤ بالمبيعات</li>
</ul>

<h3>تصنيف الصور</h3>
<p>في تصنيف الصور، يمكن استخدام تقسيم 80/20 لتدريب نموذج على مجموعة كبيرة من الصور المصنفة.  يتم استخدام 80٪ من الصور لتدريب النموذج، بينما يتم استخدام 20٪ المتبقية لتقييم أدائه.</p>
<p>يساعد هذا في ضمان أن النموذج يمكنه تصنيف الصور الجديدة بدقة.</p>
<p>تستخدم العديد من التطبيقات تقسيم 80/20 في تصنيف الصور، مثل السيارات ذاتية القيادة والتشخيص الطبي.</p>

<h3>تحليل المشاعر</h3>
<p>في تحليل المشاعر، يتم استخدام تقسيم 80/20 لتدريب نموذج على مجموعة من النصوص المصنفة حسب المشاعر (إيجابية، سلبية، محايدة). يتم استخدام 80٪ من النصوص لتدريب النموذج، بينما يتم استخدام 20٪ المتبقية لتقييمه.</p>
<p>يساعد هذا في ضمان أن النموذج يمكنه تحديد مشاعر النصوص الجديدة بدقة.</p>
<p>تستخدم العديد من الشركات تقسيم 80/20 في تحليل المشاعر لفهم ردود فعل العملاء وتحسين منتجاتها.</p>

<h3>التنبؤ بالمبيعات</h3>
<p>في التنبؤ بالمبيعات، يتم استخدام تقسيم 80/20 لتدريب نموذج على البيانات التاريخية للمبيعات.  يتم استخدام 80٪ من البيانات لتدريب النموذج، بينما يتم استخدام 20٪ المتبقية لتقييم قدرته على التنبؤ بالمبيعات المستقبلية.</p>
<p>يساعد هذا الشركات على اتخاذ قرارات مستنيرة بشأن المخزون والتسعير.</p>
<p>تلعب هذه التقنية دورًا حاسمًا في تحسين استراتيجيات الأعمال وزيادة الإيرادات.</p>


<h2><center><img src="https://tse1.mm.bing.net/th?q=تقنيات أخرى لتقسيم البيانات في تعلم الآلة" alt="تقنيات أخرى لتقسيم البيانات في تعلم الآلة"></center>تقنيات أخرى لتقسيم البيانات في تعلم الآلة</h2>
<ul>
<li>التحقق المتقاطع</li>
<li>مجموعة التحقق</li>
</ul>
<h3>التحقق المتقاطع</h3>
<p>التحقق المتقاطع هو تقنية لتقييم أداء نموذج تعلم الآلة عن طريق تقسيم البيانات إلى عدة مجموعات فرعية. يتم تدريب النموذج على جميع المجموعات الفرعية باستثناء واحدة، ثم يتم اختباره على المجموعة الفرعية المتبقية. تتكرر هذه العملية لجميع المجموعات الفرعية.</p>
<p>يوفر التحقق المتقاطع تقديرًا أكثر دقة لأداء النموذج مقارنة بتقسيم 80/20 البسيط. يساعد على تقليل فرط التخصيص وزيادة تعميم النموذج.</p>
<p>هناك أنواع مختلفة من التحقق المتقاطع، مثل التحقق المتقاطع k-fold والتحقق المتقاطع leave-one-out.  يتم اختيار النوع المناسب بناءً على حجم البيانات وتعقيد النموذج.</p>


<h3>مجموعة التحقق</h3>
<p>مجموعة التحقق هي مجموعة بيانات منفصلة تستخدم لضبط المعلمات الفائقة للنموذج.  يتم تقسيم البيانات إلى ثلاث مجموعات: التدريب والتحقق والاختبار.</p>
<p>يتم تدريب النموذج على مجموعة التدريب، ويتم ضبط المعلمات الفائقة باستخدام مجموعة التحقق، ويتم تقييم الأداء النهائي باستخدام مجموعة الاختبار.  تساعد مجموعة التحقق في تحسين أداء النموذج وتجنب فرط التخصيص.</p>
<p>يعد استخدام مجموعة التحقق أمرًا بالغ الأهمية، خاصة عند التعامل مع نماذج معقدة ذات العديد من المعلمات الفائقة.</p>


<h2><center><img src="https://tse1.mm.bing.net/th?q=أدوات لتطبيق تقسيم 80/20" alt="أدوات لتطبيق تقسيم 80/20"></center>أدوات لتطبيق تقسيم 80/20</h2>

<h3>Scikit-learn</h3>
<p>Scikit-learn هي مكتبة Python شائعة لتعلم الآلة.  توفر أدوات لتقسيم البيانات، بما في ذلك دالة train_test_split لتطبيق تقسيم 80/20 بسهولة.</p>
<p>تُعتبر Scikit-learn مكتبة قوية وسهلة الاستخدام لمختلف مهام تعلم الآلة.</p>
<p>مع Scikit-learn، يُمكنك تنفيذ تقسيم 80/20 بكفاءة وبدقة.</p>

<h3>Pandas</h3>
<p>Pandas هي مكتبة Python أخرى شائعة لتحليل البيانات ومعالجتها.  توفر أدوات لتقسيم البيانات وإنشاء مجموعات التدريب والاختبار.</p>
<p>تُعتبر Pandas أداة قوية لتنظيم البيانات وتجهيزها قبل استخدامها في نماذج تعلم الآلة.</p>
<p>باستخدام Pandas، يمكنك تقسيم البيانات بسهولة إلى  مجموعات التدريب والاختبار بنسبة 80/20.</p>


<h2>جدول مقارنة بين تقنيات تقسيم البيانات</h2>
<table>
  <tr>
    <th>التقنية</th>
    <th>الوصف</th>
    <th>المزايا</th>
    <th>العيوب</th>
  </tr>
  <tr>
    <td>تقسيم 80/20</td>
    <td>تقسيم البيانات إلى مجموعتين: تدريب (80٪) واختبار (20٪)</td>
    <td>سهل التطبيق، سريع</td>
    <td>قد لا يكون دقيقًا لنماذج معقدة أو بيانات صغيرة</td>
  </tr>
  <tr>
    <td>التحقق المتقاطع</td>
    <td>تقسيم البيانات إلى عدة مجموعات فرعية وتدريب النموذج على جميع المجموعات الفرعية باستثناء واحدة</td>
    <td>أكثر دقة من تقسيم 80/20، يقلل فرط التخصيص</td>
    <td>يستغرق وقتًا أطول</td>
  </tr>
  <tr>
    <td>مجموعة التحقق</td>
    <td>استخدام مجموعة بيانات منفصلة لضبط المعلمات الفائقة</td>
    <td>يحسن أداء النموذج، يقلل فرط التخصيص</td>
    <td>يتطلب بيانات إضافية</td>
  </tr>
</table>



<h2>الأسئلة الشائعة حول تقسيم 80/20</h2>

<h3>ما هي نسبة التقسيم المثلى؟</h3>
<p>لا توجد نسبة تقسيم مثلى ثابتة،  يعتمد ذلك على حجم البيانات وتعقيد النموذج.  80/20 هي نسبة شائعة، ولكن يمكن استخدام نسب أخرى مثل 70/30 أو 90/10.</p>
<p>مع البيانات الضخمة، يمكن استخدام نسبة تقسيم أعلى للتدريب (مثل 90/10 أو حتى 99/1).  مع البيانات الأصغر، قد يكون من الضروري استخدام نسبة تقسيم أقل للتدريب (مثل 70/30).</p>
<p>يجب تجربة نسب تقسيم مختلفة لتحديد النسبة التي تحقق أفضل أداء للنموذج.</p>



<h3>هل يمكن استخدام تقسيم 80/20 مع جميع خوارزميات تعلم الآلة؟</h3>
<p>نعم، يمكن استخدام تقسيم 80/20 مع جميع خوارزميات تعلم الآلة.  إنه مبدأ عام لتقييم أداء النموذج وضمان تعميمه الجيد.</p>
<p>بغض النظر عن الخوارزمية المستخدمة، فإن تقسيم البيانات إلى مجموعات التدريب والاختبار هو خطوة حاسمة في عملية بناء النموذج.</p>
<p>يساعد هذا في منع فرط التخصيص وضمان أن النموذج يمكنه التعميم بشكل جيد على البيانات الجديدة.</p>



<h2>الخاتمة</h2>
<p>في الختام، يعتبر تقسيم 80/20 أداة قوية في تعلم الآلة لتحسين أداء النموذج وتجنب فرط التخصيص.   يساعد في ضمان أن النموذج يمكنه التعميم بشكل جيد على البيانات الجديدة  وأن يكون فعالاً في التنبؤات.  </p>
<p>لذا، استخدم قوة تقسيم 80/20 لتحسين نماذج تعلم الآلة الخاصة بك.   للحصول على مزيد من المعلومات حول تقنيات تعلم الآلة الأخرى،  تفضل بزيارة موقعنا  واكتشف مقالاتنا الأخرى. </p>
<p>نتمنى أن تكون قد استفدت من هذه المعلومات القيّمة حول تقسيم 80/20 في تعلم الآلة.   شاركنا بتعليقاتك وآرائك.</p>
Video Training and Test Data | 80/20 Split | ML Education
Source: CHANNET YOUTUBE Skillcate AI