كيف تتجنب تسرّب البيانات في التعلم الآلي: ترميز الهدف (Target Encoding)
يبدو ترميز الهدف (Target Encoding) طريقة بسيطة للتعامل مع الخصائص الفئوية، لكن تنفيذه الساذج يُسرّب قيمة الهدف إلى بيانات التدريب دون أن يلاحظ أحد. وتبدو مقاييس التحقق ممتازة، بينما لا يعمل النموذج في بيئة الإنتاج. يشرح المقال أين يحدث التسرّب بالضبط، ويعرض التنفيذ الصحيح عبر طريقتي Leave-One-Out وK-Fold، للحصول على نتيجة حقيقية لا على أرقام جميلة على لوحة المؤشرات فحسب.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
ترميز الهدف (Target Encoding) طريقة في التعلم الآلي لترميز الخصائص الفئوية، لكن تنفيذه الساذج يتسبب بصورة منهجية في تسرّب البيانات ويضخّم مقاييس النموذج في الاختبارات، ثم ينهار النموذج في بيئة الإنتاج.
ما هو ترميز الهدف في التعلم الآلي؟
يستبدل ترميز الهدف كل قيمة فريدة في الخاصية الفئوية بالمتوسط الحسابي للمتغير المستهدف ضمن هذه الفئة. فعلى سبيل المثال، تُسنَد إلى كل مدينة قيمة متوسط المبيعات لدى العملاء من تلك المدينة.
Build & Ship Production AI Apps with Vibe Coding
Join Zhemal Khamidun's hands-on Vibe Coding Intensive at hamidun.com/vibecoding — master Claude Code, Cursor, and autonomous agentic workflows.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.