التعلم الموجَّه

التعريف

لدينا بيانات \(\{(x_i, y_i)\}_{i=1}^{n}\) حيث \(x_i\) متجه السمات و\(y_i\) التسمية الصحيحة. نريد دالة \(f\) بحيث \(f(x) \approx y\) لأمثلة جديدة.

التصنيف والانحدار

	التصنيف	الانحدار
المخرج	فئة	عدد حقيقي
مثال	سليم / مصاب	سعر منزل
مقاييس	Accuracy، Precision، Recall، F1	MAE، RMSE، \(R^2\)
نماذج	Logistic Regression، SVM، Random Forest	Linear Regression، Random Forest Regressor

تقسيم البيانات

• التدريب (Training): لتعلم معاملات النموذج.
• التحقق (Validation): لاختيار النموذج والمعاملات الفائقة.
• الاختبار (Test): لتقدير الأداء النهائي مرة واحدة في النهاية.

from sklearn.model_selection import train_test_split
X_tmp, X_test, y_tmp, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42)
X_train, X_val, y_train, y_val = train_test_split(X_tmp, y_tmp, test_size=0.25, stratify=y_tmp, random_state=42)

النتيجة: 60% تدريب، 20% تحقق، 20% اختبار.

تنبيهات منهجية

• إذا كانت البيانات زمنية فلا تخلطها عشوائياً؛ درّب على الماضي واختبر على المستقبل.
• إذا كان للمريض الواحد عدة صور، فضع كل صوره في الجزء نفسه (تقسيم على مستوى المريض) لتجنب تسرب البيانات.
• جودة التسميات حاسمة: التسميات الخاطئة تحد من أفضل أداء ممكن.