تعلّم الآلة: الملاءمة والتجميع ومعرفة متى حفظ النموذج

1. اجعل التشويش 0%. كل نقطة على الخط وR² يساوي 1. هكذا تبدو المطابقة المثالية، والبيانات الحقيقية لا تبدو هكذا أبدًا.
2. الآن ارفع التشويش إلى 40% وأبقِ البيانات قليلة. ينهار R² لكن الخط ما زال يشير الاتجاه الصحيح. R² المنخفض يعني تشتّتًا واسعًا لا اتجاهًا خاطئًا.
3. أبقِ التشويش وارفع حجم البيانات إلى 150. يثبت الخط بينما لا يكاد R² يتحرّك. البيانات الأكثر تشتري ثقةً في الخط لا سحابة أضيق.

💡 يقلّل الخط مربّع الخطأ. المزيد من التشويش يخفض R² لكن المطابقة تبقى غير متحيّزة.

1. اضبط k على 3 واضغط خطوة ببطء. تتلوّن النقاط أولًا ثم تتحرّك المراكز. هاتان الخطوتان بالتناوب هما الخوارزمية كلها.
2. أعد البذر عدة مرات عند نفس k. لن تحصل دائمًا على النتيجة نفسها. نقطة البدء تغيّر نقطة الوصول — ولهذا تُكرَّر التشغيلات الحقيقية.
3. الآن اضبط k على 6. يُرجع ستّ مجموعات بثقة. لا شيء في الخوارزمية يخبرك أنها ليست حقيقية — أنت وحدك من يستطيع.

💡 كل خطوة تُعيد إسناد النقاط لأقرب مركز، ثم تنقل المراكز لمتوسطها — حتى يثبت كل شيء.

1. أبقِ k على 1 واقرأ الشريطين. 100% على نقاط رآها، وأقل بكثير على نقاط لم يرها. لقد خزّن الإجابات ولم يتعلّم النمط.
2. ارفع k إلى نحو 9. يتنعّم الحدّ ويتقارب الشريطان. صار النموذج أسوأ على بياناته وأفضل على ما عداها.
3. ارفع k إلى 25 ثم زد التداخل. الإفراط في التنعيم يمحو الشكل الحقيقي. ثمة k أفضل، وهو ليس عند أيّ طرف من المؤشّر.

💡 عند k = 1 يكون النموذج مثاليًا على ما رآه وأسوأ على ما لم يره — لقد حفظ. زيادة k تُنعّم الحدّ وتغلق تلك الفجوة، حتى تمحو الشكل الحقيقي أيضًا.

1. ابدأ عند العمق 1. قطعة مستقيمة واحدة عبر الفضاء كله — سؤال واحد. وهي صحيحة بنحو 80% أصلًا.
2. اصعد إلى 3 ثم 4. يرتفع الشريطان معًا. كل ما تتعلّمه الشجرة هنا بنية حقيقية، وتنفع على النقاط غير المرئية أيضًا.
3. الآن اذهب إلى 8 أو 9 وراقب المناطق. تظهر شرائح رفيعة حول نقاط مفردة. يبلغ شريط المرئي 100% بينما يهبط غير المرئي — الشجرة تصف هذه البيانات لا العالم.

💡 كل مستوى إضافي يلائم بياناتك أكثر قليلًا وبياناتٍ لا تملكها أسوأ قليلًا. راقب افتراق الدقتين — تلك الفجوة هي فرط المطابقة، مرسومة.

1. اسحب العتبة إلى 15%. يبلغ الاستدعاء 100% — لا شيء يفوت — وتنهار الدقة. تكتشف الجميع باتّهام الجميع.
2. الآن اسحبها إلى 85%. تبلغ الدقة 100% وينهار الاستدعاء. كل إشارة صحيحة لأنك لا تكاد تشير إلى شيء.
3. اضبط الحالة الإيجابية على 2% وراقب الدقة الإجمالية وحدها. تبقى الدقة الإجمالية عالية عند أي عتبة تقريبًا بينما الاستدعاء سيّئ. هكذا يُعتمد نموذج للحالات النادرة ثم يفشل.

💡 الدقة الإجمالية تُخفي هذا. حين تكون الحالات الإيجابية قليلة، فإن اعتبار كل شيء سلبيًا يعطي نتيجة عالية ولا يكتشف أحدًا — ولذلك تُذكر الدقة والاستدعاء بدلًا منها.

1. اجعل قابلية الفصل منخفضة. يتسطّح حرف S نحو ميل ضحل. النموذج غير الواثق يقول 0.5 لكل شيء تقريبًا.
2. ارفع قابلية الفصل إلى الأعلى. يصير المنحنى أشبه بدرجة. الثقة هي الحدّة — النموذج تعلّمها ولم تضبطها أنت.
3. الآن حرّك العتبة دون لمس أي شيء آخر. لا يتحرّك المنحنى إطلاقًا. النموذج والقرار شيئان مختلفان، وواحد منهما فقط دُرِّب.

💡 المنحنى هو النموذج. أما العتبة فقرار منفصل يتّخذه إنسان لاحقًا — ولذلك يمكن للنموذج المدرَّب نفسه أن يكون متحفّظًا أو جريئًا دون إعادة تدريب.

1. اجعل العمودين ضعيفَي الترابط. السحابة دائرية والخط قد يشير لأي جهة. اتجاه واحد يحفظ نحو نصف المعلومات فقط.
2. ارفع الترابط إلى الأعلى. تصير السحابة مستطيلة ويحفظ اتجاه واحد كل شيء تقريبًا. العمود الثاني كان يخبرك بما لدى الأول أصلًا.
3. شغّل الإسقاط عند إعداد مرتفع. تنزلق كل نقطة إلى الخط ولا تكاد الصورة تتغيّر. هذا هو تحوّل عمودين إلى واحد بلا خسارة تُذكر.

💡 هذا هو تقليل الأبعاد: ليس رمي أعمدة، بل إيجاد الاتجاهات التي تستخدمها البيانات فعلًا. عمودان مترابطان لا يحملان من المعلومات إلا قليلًا فوق ما يحمله عمود واحد.