باختصار
Ridge Regression نسخة من الانحدار الخطي (Linear Regression) تضيف «عقوبة» رياضية على حجم معاملات النموذج، بهدف تقليل الإفراط في التخصيص (overfitting) وجعل النموذج أكثر استقرارًا عند وجود ارتباط قوي بين المتغيرات المستقلة.
بالتفصيل
في الانحدار الخطي العادي، يحاول النموذج تقليل مجموع مربعات الأخطاء فقط. يضيف Ridge حدًا إضافيًا لدالّة الخسارة يساوي مجموع مربعات المعاملات نفسها مضروبًا في معامل تحكّم يُرمز له عادة بـ α — وهذا ما يُعرف بتنظيم L2 (L2 regularization). كلما زادت قيمة α، زاد «انكماش» المعاملات نحو الصفر.
الفارق الجوهري بينه وبين تقنية مشابهة تسمى Lasso هو أن Ridge يُقلّص المعاملات تدريجيًا لكنه نادرًا ما يجعلها صفرًا تمامًا — أي أن النموذج الناتج يحتفظ بكل المتغيرات لكن بأوزان أصغر، وهو مفيد تحديدًا عندما تكون المتغيرات مترابطة فيما بينها، إذ يوزّع الوزن بينها بدل اختيار متغير واحد تعسفيًا.
مثال عملي
لو كان لديك نموذج للتنبؤ بأسعار العقارات باستخدام عشرات المتغيرات المترابطة (مساحة المنزل، عدد الغرف، مساحة الحديقة…)، يساعد Ridge على منع النموذج من إعطاء أوزان متطرفة وغير مستقرة لمتغيرات مترابطة، فيصبح تنبؤه أكثر ثباتًا على بيانات جديدة لم يرها من قبل.
مصطلحات مرتبطة
Lasso Regression — تقنية مشابهة تستخدم تنظيم L1 وتصفّر المعاملات غير المهمة. Overfitting (الإفراط في التخصيص) — المشكلة التي يعالجها Ridge. Linear Regression (الانحدار الخطي) — النموذج الأساسي الذي يُبنى عليه Ridge.
المصادر: scikit-learn
