اختيار السمات (Feature Selection) هو مصطلح ظهر في مقالات قرمصيص ويستحق شرحاً مستقلاً. عملية الاحتفاظ بالسمات الأكثر فائدة وحذف السمات غير الملائمة أو المتكررة قبل تدريب النموذج. فهمه يساعدك على قراءة الشروحات ونتائج التجارب من غير خلط بين الاسم ووظيفته الفعلية.
باختصار
عملية الاحتفاظ بالسمات الأكثر فائدة وحذف السمات غير الملائمة أو المتكررة قبل تدريب النموذج.
بالتفصيل
يمكن الاختيار باختبارات إحصائية أو أهمية مستخرجة من نموذج أو بحث تتابعي. الهدف تقليل الأبعاد والضوضاء وزمن التدريب، وأحياناً تحسين التعميم والتفسير، لكن القرار يجب أن يحدث داخل طيات التحقق لتجنب التسرب.
الفكرة العملية هي النظر إلى مكان المصطلح داخل خط العمل: ما البيانات التي تدخل إليه، وما النتيجة التي ينتجها، وما التكلفة أو الافتراض الذي يضيفه. المقارنة العادلة تحتاج تجربة على بيانات منفصلة ومقياس مناسب، لا الاعتماد على الاسم أو الشهرة وحدهما.
مثال عملي
في بيانات عملاء تحتوي 500 عمود، قد يحتفظ النظام بأفضل 40 سمة قبل تدريب المصنف النهائي.
خلي بالك: حذف سمة ضعيفة منفردة قد يزيل تفاعلاً مهماً مع سمة أخرى، لذلك يلزم اختبار الأداء بعد الاختيار.
مصطلحات مرتبطة
Feature Engineering، Dimensionality Reduction، Cross-validation. قراءة هذه المصطلحات معاً توضح العلاقة بين البيانات والتدريب والتقييم والتشغيل.
المصادر: scikit-learn
