كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي

الذكاء الاصطناعي القابل للتفسير مبتدئ · Beginner 12 دقيقة

أهمية السمات بالتبديل

Permutation Feature Importance

طريقة بسيطة ومستقلة عن النموذج لقياس اعتماده على كل سمة، ومزالقها.

تقدّمك في المسار0%

الخوارزمية

  1. احسب أداء النموذج \(s\) على بيانات التقييم.
  2. لكل سمة \(j\): اخلط عمودها، واحسب الأداء \(s_j\)، وكرر \(K\) مرة.
  3. الأهمية = \(s – \overline{s_j}\).
from sklearn.ensemble import RandomForestClassifier
from sklearn.inspection import permutation_importance
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
X, y = load_breast_cancer(return_X_y=True, as_frame=True)
X_tr, X_te, y_tr, y_te = train_test_split(X, y, stratify=y, random_state=0)
rf = RandomForestClassifier(n_estimators=300, random_state=0).fit(X_tr, y_tr)
r = permutation_importance(rf, X_te, y_te, n_repeats=20, random_state=0, scoring="roc_auc")
for i in r.importances_mean.argsort()[::-1][:5]:
    print(f"{X.columns[i]:<25} {r.importances_mean[i]:.4f} ± {r.importances_std[i]:.4f}")

مزالق

المزلقالأثرالعلاج
السمات المترابطةتقاسم الأهمية أو اختفاؤهاتجميع السمات المترابطة وتبديلها معاً
أمثلة غير واقعيةتبديل الطول دون الوزن ينتج حالات مستحيلةطرق شرطية، أو الحذر في التفسير
بيانات التدريبأهمية لسمات ضجيجيةاستخدام بيانات اختبار
MDIانحياز للسمات ذات القيم الكثيرةتفضيل أهمية التبديل

الأهمية ليست سببية

أهمية سمة “عدد زيارات المستشفى” للتنبؤ بالوفاة لا تعني أن الزيارات تسبب الوفاة؛ قد تكون علامة على شدة المرض. الأسئلة السببية تحتاج إلى تصميم سببي (تجارب أو استدلال سببي)، لا إلى أدوات التفسير وحدها.

مصطلحات الدرس

أهمية التبديل Permutation Importance
مقدار انخفاض أداء النموذج عند خلط قيم سمة واحدة عشوائياً في مجموعة التقييم.
أهمية الشوائب Mean Decrease in Impurity
مقياس أهمية في الأشجار يجمع انخفاض الشوائب عند كل انقسام على السمة، وهو منحاز للسمات ذات القيم الكثيرة.

الملخص

أهمية التبديل تقيس انخفاض أداء النموذج عند خلط قيم سمة واحدة عشوائياً، فتنقطع علاقتها بالهدف. تُحسب على بيانات اختبار منفصلة، وتُكرر عدة مرات لتقدير التشتت. أهمية الشوائب في الأشجار (MDI) منحازة لصالح السمات ذات القيم الكثيرة. مع السمات المترابطة قد تتوزع الأهمية أو تختفي، والتبديل قد ينشئ أمثلة غير واقعية. الأهمية تعني اعتماد النموذج على السمة لا وجود علاقة سببية.

أسئلة مراجعة

  1. لماذا نحسب أهمية التبديل على بيانات الاختبار لا التدريب؟

    لأن النموذج المفرط في التخصيص قد يعتمد على سمات ضجيجية في التدريب لا تفيد في التعميم.

  2. ماذا يحدث لأهمية سمتين شديدتي الارتباط؟

    قد تبدو كل منهما قليلة الأهمية لأن النموذج يعوض بالأخرى عند خلط إحداهما.

المصادر والمراجع

  1. scikit-learn — Permutation feature importance
  2. Breiman (2001) — Random Forests
  3. Strobl et al. (2007) — Bias in random forest variable importance measures

إكمال الدرس