باختصار
Curse of Dimensionality (لعنة الأبعاد) مصطلح يصف مجموعة مشاكل تظهر عند تحليل بيانات ذات أبعاد (متغيرات) كثيرة، ولا تظهر في البيانات ذات الأبعاد القليلة — أبرزها أن البيانات المتوفرة تصبح متناثرة بشكل هائل نسبةً إلى حجم الفضاء الذي تشغله.
بالتفصيل
مع زيادة عدد الأبعاد، يتمدد حجم الفضاء الرياضي أُسّيًا، بينما تبقى كمية البيانات المتاحة عادة ثابتة تقريبًا — ما يعني أن البيانات نفسها تصبح متباعدة جدًا عن بعضها داخل هذا الفضاء الشاسع. مثال توضيحي: لتغطية خط أحادي البعد بتباعد قدره 0.01 بين النقاط، تحتاج 100 نقطة فقط. لكن لتغطية مكعّب فائق بعشرة أبعاد بالتباعد نفسه، تحتاج 10 أس 20 نقطة — أي أكبر بـ 10 أس 18 مرة تقريبًا.
القاعدة العملية الشائعة تقول إنك تحتاج على الأقل خمس عيّنات تدريب لكل بُعد إضافي. والأغرب من ذلك: بعد نقطة معينة، تؤدي إضافة المزيد من المتغيرات إلى انخفاض دقة التنبؤ فعليًا بدل تحسينها — ظاهرة تُعرف أحيانًا بـ«ظاهرة القمة» (peaking phenomenon).
مثال عملي
لو أضفت مئات المتغيرات غير المفيدة فعليًا إلى نموذج تصنيف بريد إلكتروني كمزعج أو غير مزعج — ظنًا منك أن «كل معلومة إضافية تساعد» — فقد تجد أن دقة النموذج تنخفض بدل أن ترتفع، لأن البيانات المتاحة لم تعد كافية لتغطية الفضاء الجديد الأكبر بكثافة معقولة. هذا تحديدًا ما تحاول تقنيات مثل تحليل المكوّنات الرئيسية (PCA) معالجته.
مصطلحات مرتبطة
Dimensionality Reduction (تقليل الأبعاد) — الحل الشائع لهذه المشكلة. Principal Component Analysis (تحليل المكوّنات الرئيسية) — إحدى أبرز تقنيات تقليل الأبعاد. Overfitting (الإفراط في التخصيص) — مشكلة مرتبطة تظهر غالبًا مع ارتفاع عدد الأبعاد.
المصادر: Wikipedia
