ملاحظة
يتطلب الوصول إلى هذه الصفحة تخويلاً. يمكنك محاولة تسجيل الدخول أو تغيير الدلائل.
يتطلب الوصول إلى هذه الصفحة تخويلاً. يمكنك محاولة تغيير الدلائل.
هام
توفر هذه المقالة معلومات حول استخدام Azure Machine Learning SDK v1. تم إهمال الإصدار 1 من SDK اعتبارا من 31 مارس 2025 وسينتهي دعمه في 30 يونيو 2026. يمكنك تثبيت SDK v1 واستخدامه حتى ذلك التاريخ.
نوصي بالانتقال إلى SDK v2 قبل 30 يونيو 2026. لمزيد من المعلومات حول SDK v2، راجع ما هو Azure Machine Learning Python SDK v2ومرجع SDK v2.
إذا كنت تتساءل عن خوارزمية التعلم الآلي التي يجب استخدامها، فإن الإجابة تعتمد في المقام الأول على جانبين من سيناريو علم البيانات:
ماذا تريد أن تفعل ببياناتك؟ على وجه التحديد، ما هو سؤال العمل الذي تريد الإجابة عليه من خلال التعلم من بياناتك السابقة؟
ما هي متطلبات سيناريو علم البيانات الخاص بك؟ ما هي الميزات والدقة ووقت التدريب والخطية والمعلمات التي يدعمها الحل الخاص بك؟
ملاحظة
يدعم مصمم التعلم الآلي من Azure نوعين من المكونات: المكونات الكلاسيكية التي تم إنشاؤها مسبقا (v1) والمكونات المخصصة (v2). هذان النوعان من المكونات غير متوافقين.
المكونات الكلاسيكية التي تم إنشاؤها مسبقا هي في المقام الأول لمعالجة البيانات ومهام التعلم الآلي التقليدية مثل الانحدار والتصنيف. يستمر دعم هذا النوع من المكونات ولكن لن تتم إضافة أي مكونات جديدة.
تسمح لك المكونات المخصصة بتضمين التعليمات البرمجية الخاصة بك كمكون. وهي تدعم مشاركة المكونات عبر مساحات العمل والتأليف السلس عبر واجهات Studio وCLI v2 وSDK v2.
بالنسبة للمشاريع الجديدة، ننصحك بشدة باستخدام المكونات المخصصة المتوافقة مع AzureML V2 وستستمر في تلقي تحديثات جديدة.
تنطبق هذه المقالة على المكونات الكلاسيكية التي تم إنشاؤها مسبقا وغير متوافقة مع CLI v2 وSDK v2.
ورقة المعلومات المرجعية لخوارزمية التعلم الآلي من Azure
تساعدك ورقة المعلومات المرجعية لخوارزمية التعلم الآلي من Azure في الاعتبار الأول: ما الذي تريد فعله ببياناتك؟ في ورقة المعلومات المرجعية، ابحث عن المهمة التي تريد القيام بها ثم ابحث عن خوارزمية مصمم التعلم الآلي من Azure لحل التحليلات التنبؤية.
ملاحظة
يمكنك تنزيل ورقة المعلومات المرجعية لخوارزمية التعلم الآلي.
يوفر المصمم مجموعة شاملة من الخوارزميات، مثل مجموعة القرارات متعددة الطبقات، وأنظمة التوصية، وانحدار الشبكة العصبية، والشبكة العصبية متعددة الطبقات، وتكوين أنظمة المجموعات K-Means. تم تصميم كل خوارزمية لمعالجة نوع مختلف من مشكلة التعلم الآلي. راجع مرجع الخوارزمية والمكون للحصول على قائمة كاملة مع وثائق حول كيفية عمل كل خوارزمية وكيفية ضبط المعلمات لتحسين الخوارزمية.
جنبا إلى جنب مع هذا التوجيه، ضع في اعتبارك المتطلبات الأخرى عند اختيار خوارزمية التعلم الآلي. فيما يلي عوامل إضافية يجب مراعاتها، مثل الدقة ووقت التدريب والخطية وعدد المعلمات وعدد الميزات.
مقارنة خوارزميات التعلم الآلي
تقوم بعض الخوارزميات بافتراضات معينة حول بنية البيانات أو النتائج المرجوة. إذا كان بإمكانك العثور على واحد يناسب احتياجاتك، فإنه يمكن أن يمنحك نتائج أكثر فائدة، أو تنبؤات أكثر دقة، أو أوقات تدريب أسرع.
يلخص الجدول التالي بعض أهم خصائص الخوارزميات من مجموعات التصنيف والانحدار والتجمع:
| خوارزمية | دقة | وقت التدريب | الخطي | البارامترات | تلاحظ |
|---|---|---|---|---|---|
| عائلة التصنيف | |||||
| الانحدار اللوجستي من فئتين | جيد | سريع | نعم | 4 | |
| غابة القرار من طبقتين | ممتاز | متوسط | لا | 5 | إظهار أوقات تسجيل أبطأ. نقترح عدم العمل مع One-vs-All Multiclass، بسبب أوقات تسجيل أبطأ بسبب تأمين مؤشر الترابط في توقعات الشجرة المتراكمة |
| شجرة قرارات معززة من طبقتين | ممتاز | متوسط | لا | 6 | بصمة ذاكرة كبيرة |
| شبكة عصبية من فئتين | جيد | متوسط | لا | 8 | |
| متوسط perceptron من فئتين | جيد | متوسط | نعم | 4 | |
| جهاز متجه دعم من فئتين | جيد | سريع | نعم | 5 | جيد لمجموعات الميزات الكبيرة |
| الانحدار اللوجستي متعدد الطبقات | جيد | سريع | نعم | 4 | |
| غابة قرارات متعددة الطبقات | ممتاز | متوسط | لا | 5 | إظهار أوقات تسجيل أبطأ |
| شجرة قرارات متعددة الطبقات معززة | ممتاز | متوسط | لا | 6 | يميل إلى تحسين الدقة مع بعض المخاطر الصغيرة للتغطية الأقل |
| شبكة عصبية متعددة الفئات | جيد | متوسط | لا | 8 | |
| فئة متعددة واحدة مقابل الكل | - | - | - | - | راجع خصائص الأسلوب من فئتين المحدد |
| عائلة الانحدار | |||||
| الانحدار الخطي | جيد | سريع | نعم | 4 | |
| انحدار غابة القرار | ممتاز | متوسط | لا | 5 | |
| تراجع شجرة القرار المعزز | ممتاز | متوسط | لا | 6 | بصمة ذاكرة كبيرة |
| انحدار الشبكة العصبية | جيد | متوسط | لا | 8 | |
| مجموعة تكوين أنظمة المجموعات | |||||
| تكوين أنظمة المجموعات في K-means | ممتاز | متوسط | نعم | 8 | خوارزمية تجميع |
متطلبات سيناريو علم البيانات
بمجرد أن تعرف ما تريد القيام به ببياناتك، تحتاج إلى تحديد متطلبات أخرى لسيناريو علم البيانات الخاص بك.
حدد الخيارات وربما المفاضلات مع المتطلبات التالية:
- الدقة
- وقت التدريب
- الخطي
- عدد المعلمات
- عدد الميزات
الدقة
تقيس الدقة في التعلم الآلي فعالية النموذج كنسبة من النتائج الحقيقية إلى إجمالي الحالات. في المصمم، يحسب مكون Evaluate Model مجموعة من مقاييس التقييم القياسية للصناعة. يمكنك استخدام هذا المكون لقياس دقة النموذج المدرب.
الحصول على أدق إجابة ممكنة ليس ضروريا دائما. في بعض الأحيان يكون التقريب كافيا، اعتمادا على ما تريد استخدامه من أجله. إذا كان الأمر كذلك، فقد تتمكن من خفض وقت المعالجة بشكل كبير من خلال الالتزام بأساليب تقريبية أكثر. كما تميل الأساليب التقريبية بشكل طبيعي إلى تجنب الإفراط في الماحتواء.
هناك ثلاث طرق لاستخدام مكون Evaluate Model:
- إنشاء درجات على بيانات التدريب الخاصة بك من أجل تقييم النموذج.
- إنشاء درجات على النموذج، ولكن مقارنة هذه الدرجات بالنتائج في مجموعة اختبار محجوزة.
- قارن الدرجات لنموذجين مختلفين ولكن مرتبطين، باستخدام نفس مجموعة البيانات.
للحصول على قائمة كاملة بالمقاييس والنهج التي يمكنك استخدامها لتقييم دقة نماذج التعلم الآلي، راجع تقييم مكون النموذج.
وقت التدريب
في التعلم الخاضع للإشراف، يعني التدريب استخدام البيانات التاريخية لإنشاء نموذج تعلم آلي يقلل من الأخطاء. يختلف عدد الدقائق أو الساعات اللازمة لتدريب نموذج بشكل كبير بين الخوارزميات. وغالبا ما يرتبط وقت التدريب ارتباطا وثيقا بالدقة؛ واحد عادة ما يصاحب الآخر.
بالإضافة إلى ذلك، تكون بعض الخوارزميات أكثر حساسية لعدد نقاط البيانات من غيرها. قد تختار خوارزمية معينة لأن لديك تقييدا زمنيا، خاصة عندما تكون مجموعة البيانات كبيرة.
في المصمم، عادة ما يكون إنشاء نموذج التعلم الآلي واستخدامه عملية مكونة من ثلاث خطوات:
تكوين نموذج، عن طريق اختيار نوع معين من الخوارزمية، ثم تعريف معلماته أو المعلمات الفائقة.
قم بتوفير مجموعة بيانات مسماة وتحتوي على بيانات متوافقة مع الخوارزمية. قم بتوصيل كل من البيانات والنموذج بمكون Train Model.
بعد اكتمال التدريب، استخدم النموذج المدرب مع أحد مكونات التسجيل لإجراء تنبؤات على البيانات الجديدة.
الخطي
تعني الخطية في الإحصائيات والتعلم الآلي أن هناك علاقة خطية بين متغير وثابت في مجموعة البيانات الخاصة بك. على سبيل المثال، تفترض خوارزميات التصنيف الخطي أنه يمكن فصل الفئات بخط مستقيم (أو تمثيلي أعلى الأبعاد).
تستخدم الكثير من خوارزميات التعلم الآلي الخطية. في مصمم التعلم الآلي من Azure، تتضمن ما يلي:
تفترض خوارزميات الانحدار الخطي أن اتجاهات البيانات تتبع خطا مستقيما. هذا الافتراض ليس سيئا لبعض المشاكل، ولكنه يقلل من الدقة بالنسبة للآخرين. على الرغم من عيوبها، فإن الخوارزميات الخطية شائعة كاستراتيجية أولى. وهي تميل إلى أن تكون بسيطة خوارزمية وسريعة للتدريب.
حد الفئة غير الخطية: سيؤدي الاعتماد على خوارزمية تصنيف خطية إلى دقة منخفضة.
البيانات ذات الاتجاه غير الخطي: سيؤدي استخدام أسلوب انحدار خطي إلى حدوث أخطاء أكبر بكثير مما هو ضروري.
عدد المعلمات
المعلمات هي المقابض التي يحصل عالم البيانات على تسليمها عند إعداد خوارزمية. إنها أرقام تؤثر على سلوك الخوارزمية، مثل التسامح مع الخطأ أو عدد التكرارات، أو الخيارات بين المتغيرات لكيفية تصرف الخوارزمية. يمكن أن يكون وقت التدريب ودقة الخوارزمية حساسين في بعض الأحيان للحصول على الإعدادات الصحيحة فقط. عادة ما تتطلب الخوارزميات التي تحتوي على أعداد كبيرة من المعلمات التجربة الأكبر والخطأ للعثور على مجموعة جيدة.
بدلا من ذلك، هناك مكون Tune Model Hyperparameters في المصمم. الهدف من هذا المكون هو تحديد المعلمات الفائقة المثلى لنموذج التعلم الآلي. ينشئ المكون نماذج متعددة ويختبرها باستخدام مجموعات مختلفة من الإعدادات. وهو يقارن المقاييس على جميع النماذج للحصول على مجموعات من الإعدادات.
في حين أن هذه طريقة رائعة للتأكد من أنك تغطي مساحة المعلمة، فإن الوقت المطلوب لتدريب نموذج يزيد بشكل كبير مع عدد المعلمات. الجانب الإيجابي هو أن وجود العديد من المعلمات يشير عادة إلى أن الخوارزمية لديها مرونة أكبر. يمكن أن يحقق في كثير من الأحيان دقة جيدة جدا، شريطة أن تتمكن من العثور على المجموعة الصحيحة من إعدادات المعلمة.
عدد الميزات
في التعلم الآلي، الميزة هي متغير قابل للقياس الكمي للظاهرة التي تحاول تحليلها. بالنسبة إلى أنواع معينة من البيانات، يمكن أن يكون عدد الميزات كبيرا جدا مقارنة بعدد نقاط البيانات. وغالبا ما يكون هذا هو الحال مع علم الوراثة أو البيانات النصية.
يمكن أن يؤدي عدد كبير من الميزات إلى تصغير بعض خوارزميات التعلم، ما يجعل وقت التدريب طويلا بشكل غير مهني. أجهزة متجهات الدعم مناسبة تماما للسيناريوهات ذات عدد كبير من الميزات. لهذا السبب، تم استخدامها في العديد من التطبيقات من استرداد المعلومات إلى تصنيف النصوص والصور. يمكن استخدام أجهزة المتجهات الداعمة لكل من مهام التصنيف والانحدار.
يشير تحديد الميزة إلى عملية تطبيق الاختبارات الإحصائية على المدخلات، نظرا لمخرجات محددة. الهدف هو تحديد الأعمدة الأكثر توقعا للإخراج. يوفر مكون Filter Based Feature Selection في المصمم خوارزميات تحديد ميزات متعددة للاختيار من بينها. يتضمن المكون أساليب الارتباط مثل ارتباط Pearson وقيم كاي تربيع.
يمكنك أيضا استخدام مكون Permutation Feature Importance لحساب مجموعة من درجات أهمية الميزة لمجموعة البيانات الخاصة بك. يمكنك بعد ذلك استخدام هذه الدرجات لمساعدتك في تحديد أفضل الميزات لاستخدامها في نموذج.