باختصار
التقييم خارج الحقيبة (Out-of-Bag Evaluation، ويُختصر OOB Evaluation) آلية لتقييم جودة غابة القرار (Decision Forest)، عن طريق اختبار كل شجرة قرار على الأمثلة اللي لم تُستخدَم أثناء تدريب هذه الشجرة بالذات.
بالتفصيل
لما تدرّب غابة قرار عن طريق التكييس (Bagging)، كل شجرة فردية بتتدرّب على عيّنة عشوائية بالتكرار (Bootstrap Sample) من بيانات التدريب الكاملة — مش على البيانات كلها.
مثال رقمي توضيحي: النظام عادةً بيدرّب كل شجرة قرار على حوالي ثلثي الأمثلة، وبعدين بيقيّمها مقابل الثلث المتبقّي من الأمثلة — اللي الشجرة دي بالذات ما شافتهوش أثناء تدريبها. الأمثلة دي، اللي كانت «خارج الحقيبة» بالنسبة لهذه الشجرة، هي اللي بيُستخدَم عليها التقييم.
وهنا نقطة القوّة الحقيقية للطريقة: التقييم خارج الحقيبة تقريب محافظ وفعّال حسابيًا لآلية التحقّق المتقاطع (Cross-Validation).
وده الفرق الجوهري عن التحقّق المتقاطع التقليدي: في التحقّق المتقاطع بـK طيّات، بتدرّب نموذجًا منفصلًا في كل جولة تحقّق (مثلًا 10 نماذج في تحقّق متقاطع بـ10 طيّات). لكن مع التقييم خارج الحقيبة، بتدرّب نموذجًا واحدًا فقط. ولأن التكييس (Bagging) أصلًا بيستبعد بعض البيانات عن كل شجرة أثناء التدريب، التقييم خارج الحقيبة بيقدر يستفيد من البيانات المستبعَدة دي ليقرّب التحقّق المتقاطع — من غير أي تكلفة تدريب إضافية.
مثال عملي
بتدرّب غابة عشوائية من 100 شجرة على 10,000 مثال. كل شجرة اتدرّبت على عيّنة بحوالي 6,700 مثال فقط، وبتتّرك حوالي 3,300 مثال «خارج الحقيبة» بالنسبة لها.
بدل ما تجهّز مجموعة اختبار منفصلة وتضحّي بجزء من بيانات التدريب لأجلها، بتستخدم لكل شجرة الأمثلة اللي فاتتها هي بالذات كتقييم — فتحصل على تقدير موثوق لأداء الغابة كلها، بلا أي تدريب إضافي ولا فقدان بيانات للتدريب.
مصطلحات مرتبطة
- Decision Forest — غابة القرار.
- K-Fold Cross-Validation — التحقّق المتقاطع بـK طيّات.
- Bagging — التكييس.
المصادر: Google ML Glossary
