Scikit-learn: 7 حيل لمن سئم الانتظار الطويل

يحوّل ضبط المعلمات الفائقة عالِم البيانات من مهندس يصمّم المستقبل إلى مشغّل غسالة يقتله الملل. تطلقون العملية، وتراقبون مؤشر التقدم وهو يزحف ببطء، وتأملون أن تصبح النموذج بعد ثلاث ساعات أدق بنصف في المئة. غير أن الواقع أن معظم المهندسين ما زالوا يستخدمون أساليب عمرها عشر سنوات، متجاهلين كيف تطورت Scikit-learn. وفي حين ينشغل العالم بمناقشة مليارات المعلمات في LLM، تجري في التعلم الآلي الكلاسيكي ثورة هادئة في الكفاءة، حيث يوفّر اختيار أداة البحث الصحيحة أسابيع من وقت الخوادم.

أول ما ينبغي نسيانه كأنه كابوس هو GridSearchCV الكلاسيكي في فضاءات البحث الكبيرة. فإذا كنتم ما زلتم تجرّبون كل التركيبات الممكنة، فأنتم تحرقون الكهرباء هدرًا بالمعنى الحرفي. والمعيار الحديث هو HalvingGridSearchCV. تعمل هذه الطريقة بمبدأ بطولة الإقصاء: ففي التكرارات الأولى تأخذ عددًا كبيرًا من المرشحين لكنها تمنحهم قدرًا قليلًا من البيانات. ومن يُظهر نتيجة ضعيفة يُستبعد فورًا، بينما يحصل الناجون على موارد أكبر. وهذا يتيح استكشاف عدد أكبر بعشرات المرات من التركيبات في الوقت نفسه، دون خسارة في جودة الحل النهائي.

أما النقطة الحاسمة الثانية فتتعلق بمعمارية العملية نفسها. فكثيرون ما زالوا يضبطون معلمات المعالجة المسبقة للبيانات بمعزل عن معلمات النموذج ذاته. وهذا خطأ جوهري يؤدي إلى فرط التخصيص (overfitting) وإلى ما يُعرف بتسرّب البيانات. ويتيح استخدام Pipeline مع البحث الشبكي تحسين السلسلة بأكملها دفعة واحدة. يمكنكم أن تختاروا في وقت واحد طريقة تطبيع الخصائص وعدد المكونات في PCA ودرجة التنظيم (regularization) في المصنِّف. ولا يضمن أن يعمل نموذجكم على البيانات الحقيقية بالجودة نفسها التي يعمل بها على مجموعة التحقق إلا هذا النهج الشمولي.

ولا ينبغي إغفال RandomizedSearchCV الذي يعدّه كثيرون، دون وجه حق، نسخة مبسّطة من Grid Search. فالرياضيات تقول عكس ذلك: ففي ظل ميزانية زمنية محدودة، يكون احتمال أن يعثر البحث العشوائي على النقطة المثلى في فضاء المعلمات أعلى بكثير من الشبكة الصلبة. والسبب أن المعلمات الفائقة ليست متساوية الأهمية، والاختيار العشوائي يتيح استكشاف الأبعاد المؤثرة فعلًا في النتيجة بكثافة أكبر. وإذا أضفنا إلى ذلك إمكانية استخدام التوزيعات من مكتبة scipy بدلًا من قوائم القيم الثابتة، تزداد مرونة الضبط أضعافًا مضاعفة.

وللراغبين في تجاوز الأدوات القياسية، تقدّم Scikit-learn آليات للتكامل مع المُحسِّنات الخارجية. لم يعد يكفي اليوم العثور على أفضل الأرقام، بل يجب أيضًا حفظ النتائج الوسيطة وتصوير سير العملية. ويتيح استخدام دوال التقييم المخصصة (custom scorers) دفع النموذج إلى تحسين مقاييس العمل التي تهمّ المشروع تحديدًا، سواء كانت عتبة دقة بعينها أو كلفة الخطأ، بدلًا من log-loss المجرد. وهذا يحوّل المسألة الرياضية إلى حل لمشكلة عملية محددة.

وفي المحصلة، لا يكمن إتقان العمل مع المعلمات الفائقة في معرفة كل دوال المكتبة، بل في فهم المفاضلة بين الدقة والموارد. فاستخدام تقنيات مثل warm_start للتدريب التتابعي أو التخزين المؤقت لمراحل خط المعالجة هو ما يميّز المحترف عن المبتدئ. نحن نعيش في عصر أصبحت فيه البيانات رخيصة وصارت القدرات الحاسوبية باهظة. ولذلك فإن القدرة على استخلاص أقصى ما في Scikit-learn دون تحويل التدريب إلى انتظار لا ينتهي تتحول إلى ميزة تنافسية رئيسية لأي مطوّر.

الخلاصة: انتهى عصر التجريب الغاشم للمعلمات. فهل سيتمكن مشروعكم القادم من الاستغناء عن HalvingSearch، أم ستواصلون تسخين الغلاف الجوي بحسابات غير فعّالة؟