باختصار
تصغير المخاطرة التجريبية (Empirical Risk Minimization، ويُختصر ERM) هو اختيار الدالّة اللي بتصغّر الخسارة على مجموعة التدريب.
بالتفصيل
التعريف بسيط ظاهريًا، لكنه اسم رسمي لما بيحصل عمليًا في كل عملية تدريب نموذج تقريبًا: عندك بيانات تدريب، وعندك دالّة خسارة، والتدريب بيبحث عن الأوزان اللي بتقلّل قيمة الخسارة على البيانات دي بالذات.
كلمة «تجريبية» هي المفتاح هنا. إحنا مش بنصغّر الخسارة على «كل البيانات الممكنة في الكون» — ده مستحيل. إحنا بنصغّرها على العيّنة اللي عندنا، أي «المخاطرة التجريبية» المبنية على التجربة المتاحة.
والمصطلح بيتقابل صراحةً مع تصغير المخاطرة البنيوية (Structural Risk Minimization)، اللي بتضيف قيدًا إضافيًا: مش بس قلّل الخطأ على بيانات التدريب، لكن كمان حافظ على بساطة النموذج (عن طريق التنظيم مثلًا) عشان يعمّم أحسن على بيانات جديدة.
والفرق ده مهمّ عمليًا: نموذج بيتبع ERM بحتة، بلا أي قيد على التعقيد، معرّض بشدّة لفرط التخصيص — يقدر يحفظ بيانات التدريب حرفيًا ويحقّق خسارة صفر عليها، لكنه يفشل تمامًا على بيانات جديدة.
ولذلك تقريبًا كل عملية تدريب حقيقية هي نسخة معدَّلة من ERM، مضاف عليها شكل من أشكال التنظيم (Regularization) يمنعها من الانزلاق نحو الحفظ الأعمى.
مثال عملي
عندك 100 نقطة بيانات، وبتدرّب نموذجًا بمرونة كافية ليمرّ بكل نقطة منها بالضبط. الخسارة على بيانات التدريب = صفر. لو كان الهدف ERM بحتة بلا أي قيد، ده «نجاح» كامل.
لكن النموذج ده غالبًا هيفشل فشلًا ذريعًا على بيانات جديدة، لأنه حفظ النقاط بدل ما يتعلّم النمط العامّ. وده بالظبط سبب إضافة قيود التنظيم فوق مبدأ ERM الخام.
مصطلحات مرتبطة
- Overfitting — فرط التخصيص.
- Regularization — التنظيم.
- Loss Function — دالّة الخسارة.
المصادر: Google ML Glossary
