البيانات: الخصائص والهدف والتقسيم
كل نموذج يبدأ بجدول. كل صف مثال (عميل، فاتورة، شهر)، والأعمدة نوعين: الخصائص (Features) هي المعلومات اللي نعرفها، والهدف (Target أو Label) هو اللي نبي نتوقعه.
| المتجر | طلبات بالشهر | أسابيع من آخر طلب | المنطقة | وقف التعامل؟ (الهدف) |
|---|---|---|---|---|
| متجر الواحة | 8 | 1 | الرياض | لا |
| بقالة السلام | 2 | 7 | جدة | نعم |
| تموينات النور | 5 | 4 | الدمام | لا |
ليش نقسم البيانات؟ لو اختبرت النموذج على نفس الأمثلة اللي تعلّم منها، مثل طالب حفظ أسئلة الاختبار بإجاباتها: يجيب الدرجة كاملة لكنه ما فهم. عشان كذا نخبي جزء من البيانات (عادة 20%) اسمه بيانات الاختبار، ونتعلّم من الباقي (بيانات التدريب)، وبعدين نشوف أداء النموذج على أمثلة ما شافها.
PYTHON
months = ["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep", "Oct"] cartons = [410, 395, 430, 450, 470, 520, 610, 590, 480, 505] cut = int(len(cartons) * 0.8) # 80% for training train = cartons[:cut] test = cartons[cut:] print("Train:", len(train), "months") print("Test: ", len(test), "months", test)
انتبهمع بيانات فيها وقت (مبيعات شهرية مثلاً) خلّ الاختبار آخر الفترة، مثل الكود فوق، لأنك في الواقع تتوقع المستقبل من الماضي. أما لو الصفوف مستقلة (عملاء مثلاً) فاخلطها عشوائياً قبل التقسيم.
البيانات أهم من الخوارزمية. النموذج يتعلّم من اللي تعطيه: لو بيانات المبيعات فيها مكررات، أو أسعار مدخلة غلط، أو شهور ناقصة، بيتعلّم الغلط. القاعدة المشهورة: Garbage in, garbage out. وعشان كذا أغلب وقت مشاريع تعلّم الآلة يروح في تجهيز البيانات وتنظيفها، وهنا تبان مهارتك في SQL.