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 الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةموسوعة أطر ومكتبات الذكاء الاصطناعيمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

LightGBM مع سمات فئوية أصلية

متوسطأشجار التعزيز التدرجيتصنيف جدولي

الهدف: تدريب نموذج على أعمدة فئوية دون ترميز One-Hot.

Python — example.py
import numpy as np, pandas as pd, lightgbm as lgb
from sklearn.model_selection import train_test_split

rng = np.random.default_rng(0)
n = 2000
df = pd.DataFrame({"city": rng.choice(["A", "B", "C", "D"], n), "x": rng.normal(size=n)})
y = ((df["city"].isin(["B", "D"])) & (df["x"] > 0)).astype(int)
df["city"] = df["city"].astype("category")
X_tr, X_te, y_tr, y_te = train_test_split(df, y, test_size=0.3, random_state=0)
clf = lgb.LGBMClassifier(n_estimators=100, verbose=-1, random_state=0).fit(X_tr, y_tr)
print(f"دقة الاختبار: {clf.score(X_te, y_te):.3f}")
print("أهمية السمات:", {c: int(v) for c, v in zip(df.columns, clf.feature_importances_)})

شرح الكود

عندما يكون نوع العمود category في pandas يتعامل LightGBM معه مباشرة ويبحث عن أفضل تقسيم للفئات. البيانات هنا مصطنعة بقاعدة معروفة لنرى أن النموذج يكتشفها.

المتطلبات

Shell
pip install lightgbm pandas scikit-learn

طريقة التشغيل

احفظ الكود في ملف example.py ثم شغّله:

Shell
python example.py

المخرجات المسجلة عند الاختبار

دقة الاختبار: 1.000
أهمية السمات: {'city': 86, 'x': 1284}

نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — lightgbm 4.7.0, pandas 3.1.1, scikit-learn 1.9.1, python 3.13.18

المكتبات المستخدمة

أمثلة قريبة

متوسطXGBoostنُفّذ واختُبر

XGBoost مع التوقف المبكر

إيقاف إضافة الأشجار عندما يتوقف تحسن مجموعة التحقق.

أشجار التعزيز التدرجي · تصنيف جدولي

مبتدئCatBoostنُفّذ واختُبر

CatBoost مع أعمدة نصية فئوية

تمرير أعمدة فئوية نصية كما هي إلى النموذج.

أشجار التعزيز التدرجي · تصنيف جدولي