باختصار
القصّ (Clipping) أسلوب للتعامل مع القيم الشاذة (Outliers) عن طريق خفض القيم اللي أعلى من حدّ أقصى إلى الحدّ الأقصى نفسه، أو رفع القيم اللي أقلّ من حدّ أدنى إلى الحدّ الأدنى نفسه، أو الاتنين معًا.
بالتفصيل
افترض إن أقلّ من 0.5% من قيم سمة معيّنة تقع خارج المدى 40–60. في الحالة دي تقدر تعمل التالي:
- تقصّ كل القيم فوق 60 (الحدّ الأقصى) لتصبح 60 بالضبط.
- تقصّ كل القيم تحت 40 (الحدّ الأدنى) لتصبح 40 بالضبط.
ليه نعمل كده أصلًا؟ لأن القيم الشاذة تقدر تضرّ النماذج، وأحيانًا بتسبّب فيضان الأوزان (Overflow) أثناء التدريب. كما أن بعض القيم الشاذة تقدر تفسد مقاييس زي الدقّة (Accuracy) بشكل حادّ. والقصّ أسلوب شائع للحدّ من الضرر ده.
لاحظ الفرق بين القصّ والحذف: القصّ بيحتفظ بالمثال ويعدّل قيمته، مش بيرمي الصفّ. وده مهمّ لما تكون باقي سمات المثال سليمة ومفيدة.
وفيه نوع قريب اسمه قصّ التدرّج (Gradient Clipping)، وهو بيجبر قيم التدرّج على البقاء داخل مدى محدّد أثناء التدريب — وهو أسلوب أساسي لتثبيت تدريب الشبكات العميقة.
مثال عملي
جدول أعمار عملاء، وفيه بضعة صفوف بقيمة 900 نتيجة خطأ إدخال، وصفّ بقيمة 0.
بدل حذف الصفوف دي وفقدان باقي بياناتها، بتقصّ المدى عند 18 و95. الصفوف بقيمة 900 بتبقى 95، والصفر بيبقى 18. النموذج ما بقاش يشوف قيمًا متطرّفة تشوّه المتوسّطات والأوزان.
مصطلحات مرتبطة
- Outliers — القيم الشاذة.
- Normalization — التطبيع.
- Gradient Clipping — قصّ التدرّج.
المصادر: Google ML Glossary
