Imbalanced-learn
imbalanced-learn
مكتبة متوافقة مع scikit-learn لمعالجة عدم توازن الفئات عبر إعادة المعاينة مثل SMOTE وطرق المجموعات المتوازنة.
المعلومات الأساسية
| الاسم | Imbalanced-learn |
|---|---|
| الاسم الكامل | imbalanced-learn |
| التصنيف | أطر ومكتبات تعلم الآلة |
| الجهة المطورة | مجتمع scikit-learn-contrib |
| سنة الإطلاق | غير محدد |
| الموقع الرسمي | imbalanced-learn.org |
| مستودع GitHub | scikit-learn-contrib/imbalanced-learn |
| الوثائق الرسمية | غير محدد |
| الحزمة على PyPI | imbalanced-learn |
| الترخيص | MIT (ملف الترخيص) |
| حالة المشروع | نشطة صدر لها إصدار خلال آخر 12 شهراً |
| آخر إصدار | 7 يونيو 2026 (الإصدار 0.14.2) |
| لغة البرمجة | Python |
| أنظمة التشغيل | OS Independent (كما تعلنها الحزمة على PyPI) |
| إصدار Python المطلوب | >=3.10 |
| مستوى الصعوبة | مبتدئ |
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
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 CUDA | غير مدعوم |
| التدريب أو الحوسبة الموزعة | غير مدعوم |
| الاشتقاق التلقائي (Autodiff) | غير مدعوم |
| نشر النماذج (Deployment) | لا ينطبق |
| نماذج مدربة مسبقاً | لا ينطبق |
| أنواع البيانات المدعومة | مصفوفات NumPy وجداول pandas |
| التكامل مع مكتبات أخرى | Scikit-learn، Pandas |
| المرونة (تقدير تحريري) | متوسطة |
| الأداء (تقدير تحريري) | مناسبة |
| المجتمع (تقدير تحريري) | متوسط |
| جودة التوثيق (تقدير تحريري) | توثيق جيد |
التثبيت والتشغيل
pip install imbalanced-learnالتوافق: 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.
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.
المخرجات المسجلة عند الاختبار
توزيع الفئات: {0: 1892, 1: 108}
Recall للفئة النادرة دون موازنة: 0.879
Recall مع SMOTE داخل الخط: 0.926نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — imbalanced-learn 0.14.2, scikit-learn 1.9.1, python 3.13.18
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
- صفحة الحزمة على PyPI (مصدر الإصدار والترخيص وتاريخ الإصدار) تحقق مباشر
https://pypi.org/project/imbalanced-learn/
تاريخ التحقق: 21 نوفمبر 2026 — الإصدار المتحقق منه: 0.14.2 — المراجعة: فريق DLArabic
- الموقع الرسمي رابط تعلنه الحزمة رسمياً على PyPI
https://imbalanced-learn.org/
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
- المستودع الرسمي رابط تعلنه الحزمة رسمياً على PyPI
https://github.com/scikit-learn-contrib/imbalanced-learn
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
- ملف الترخيص الرسمي تحقق مباشر
https://github.com/scikit-learn-contrib/imbalanced-learn/blob/master/LICENSE
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
سجل الإصدارات المتحقق منها
| الإصدار | تاريخ الإصدار | تاريخ التحقق |
|---|---|---|
| 0.14.2 | 7 يونيو 2026 | 21 نوفمبر 2026 |
آخر مراجعة لمعلومات الصفحة: 21 نوفمبر 2026. الوصف العربي مكتوب أصلياً للموسوعة وليس منقولاً من المواقع الرسمية.
