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

Imbalanced-learn

imbalanced-learn

مكتبة متوافقة مع scikit-learn لمعالجة عدم توازن الفئات عبر إعادة المعاينة مثل SMOTE وطرق المجموعات المتوازنة.

نشطةمبتدئv0.14.2MITأطر ومكتبات تعلم الآلة

الوثائق الرسميةجرّب الأمثلة

المعلومات الأساسية

الاسمImbalanced-learn
الاسم الكاملimbalanced-learn
التصنيفأطر ومكتبات تعلم الآلة
الجهة المطورةمجتمع scikit-learn-contrib
سنة الإطلاقغير محدد
الموقع الرسميimbalanced-learn.org
مستودع GitHubscikit-learn-contrib/imbalanced-learn
الوثائق الرسميةغير محدد
الحزمة على PyPIimbalanced-learn
الترخيصMIT (ملف الترخيص)
حالة المشروعنشطة صدر لها إصدار خلال آخر 12 شهراً
آخر إصدار7 يونيو 2026 (الإصدار 0.14.2)
لغة البرمجةPython
أنظمة التشغيلOS Independent (كما تعلنها الحزمة على PyPI)
إصدار Python المطلوب>=3.10
مستوى الصعوبةمبتدئ

آخر تحقق من هذه البيانات: 21 نوفمبر 2026 — المصدر: PyPI JSON API (2026-11-21)

نظرة عامة

توفر imbalanced-learn طرق زيادة عينات الفئة الأقل (SMOTE وADASYN وغيرهما) وتقليل عينات الفئة الأكبر ودمجهما، ومصنّفات مجموعات متوازنة، ومقاييس مناسبة للبيانات غير المتوازنة.

تتكامل مع Pipeline الخاص بها، وهذا يضمن تطبيق إعادة المعاينة داخل كل طية من طيات التحقق المتقاطع فقط، فيتجنب تسرب البيانات (Data Leakage)، وهو خطأ شائع في الأبحاث الطبية.

متى تختارها؟ اخترها حين تكون فئة مهمة نادرة في بيانات جدولية، مع تطبيق إعادة المعاينة داخل التحقق المتقاطع فقط.

الاستخدامات

الاستخدامات الرئيسية

  • زيادة عينات الفئة النادرة (SMOTE)
  • تقليل عينات الفئة الغالبة
  • مصنفات مجموعات متوازنة

المجالات العلمية

  • الطب وتشخيص الأمراض النادرة
  • كشف الاحتيال

أنواع المشاريع المناسبة

  • تصنيف بيانات طبية غير متوازنة
  • كشف المعاملات الاحتيالية

تطبيقات بحثية

  • مقارنة طرق إعادة المعاينة مع تحقق متقاطع صحيح

البيانات غير المتوازنةالتعلم الآلي الكلاسيكي

الخصائص التقنية

تُعرض الخاصية «مدعومة» فقط إذا كانت موثقة في الوثائق الرسمية للمكتبة؛ وما لم نتحقق منه يظهر «غير محدد».

دعم المعالج المركزي (CPU)مدعوم
دعم المعالج الرسومي (GPU)غير مدعوم
التوافق مع CUDAغير مدعوم
التدريب أو الحوسبة الموزعةغير مدعوم
الاشتقاق التلقائي (Autodiff)غير مدعوم
نشر النماذج (Deployment)لا ينطبق
نماذج مدربة مسبقاًلا ينطبق
أنواع البيانات المدعومةمصفوفات NumPy وجداول pandas
التكامل مع مكتبات أخرىScikit-learn، Pandas
المرونة (تقدير تحريري)متوسطة
الأداء (تقدير تحريري)مناسبة
المجتمع (تقدير تحريري)متوسط
جودة التوثيق (تقدير تحريري)توثيق جيد

التثبيت والتشغيل

Shell
pip install imbalanced-learn

التوافق: Python >=3.10 — حسب بيانات الحزمة على PyPI، تحقق في 21 نوفمبر 2026

يُفضّل التثبيت داخل بيئة افتراضية (venv أو conda). وإذا احتجت توافقاً مع إصدار معين من CUDA أو نظام التشغيل فارجع إلى الوثائق الرسمية، لأن هذه المعلومات تتغير مع كل إصدار.

أمثلة برمجية

الأمثلة الموسومة «نُفّذ واختُبر» شُغّلت فعلياً وسُجّل مخرجها وتاريخ الاختبار وإصدارات المكتبات؛ وغيرها يحتاج GPU أو تنزيل نماذج فلم يُشغّل في بيئة الاختبار.

متوسطSMOTE داخل خط المعالجة دون تسربنُفّذ واختُبر

الهدف: موازنة الفئات على بيانات التدريب فقط في كل طية.

Python — example.py
from collections import Counter
from imblearn.over_sampling import SMOTE
from imblearn.pipeline import make_pipeline
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import StratifiedKFold, cross_val_score

X, y = make_classification(n_samples=2000, weights=[0.95, 0.05], n_features=10, random_state=0)
print("توزيع الفئات:", {int(k): v for k, v in sorted(Counter(y).items())})
cv = StratifiedKFold(5, shuffle=True, random_state=0)
base = cross_val_score(LogisticRegression(max_iter=1000), X, y, cv=cv, scoring="recall")
smote = cross_val_score(make_pipeline(SMOTE(random_state=0), LogisticRegression(max_iter=1000)),
                        X, y, cv=cv, scoring="recall")
print(f"Recall للفئة النادرة دون موازنة: {base.mean():.3f}")
print(f"Recall مع SMOTE داخل الخط: {smote.mean():.3f}")

شرح الكود

يجب ألا يُطبَّق SMOTE قبل التقسيم، وإلا ظهرت عينات مولدة من بيانات الاختبار في التدريب. Pipeline من imbalanced-learn يطبق إعادة المعاينة أثناء fit فقط، فتبقى طية التحقق بتوزيعها الحقيقي.

المتطلبات

Shell
pip install imbalanced-learn scikit-learn

طريقة التشغيل

احفظ الكود في ملف example.py ثم شغّله:

Shell
python example.py

المخرجات المسجلة عند الاختبار

توزيع الفئات: {0: 1892, 1: 108}
Recall للفئة النادرة دون موازنة: 0.879
Recall مع SMOTE داخل الخط: 0.926

نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — imbalanced-learn 0.14.2, scikit-learn 1.9.1, python 3.13.18

صفحة المثال

كل أمثلة Imbalanced-learn في مستكشف الأكواد

المزايا

  • واجهة scikit-learn نفسها
  • Pipeline يمنع تسرب البيانات عند إعادة المعاينة

القيود

  • إعادة المعاينة لا تناسب كل المسائل وقد تولّد عينات غير واقعية
  • مخصصة للبيانات الجدولية أساساً

المراجع والتحقق

سجل الإصدارات المتحقق منها

الإصدارتاريخ الإصدارتاريخ التحقق
0.14.27 يونيو 202621 نوفمبر 2026

آخر مراجعة لمعلومات الصفحة: 21 نوفمبر 2026. الوصف العربي مكتوب أصلياً للموسوعة وليس منقولاً من المواقع الرسمية.

أبلغ عن معلومة تحتاج تحديثاً