باختصار
التصغير النزولي (Downsampling) مصطلح مُحمَّل بمعنيين مختلفين، وأي واحد فيهم مقصود بيتحدّد من السياق.
بالتفصيل
المعنى الأول: تقليل كمّية المعلومات في سمة معيّنة عشان تدرّب النموذج بكفاءة أكبر. مثال شائع: قبل تدريب نموذج تعرّف على الصور، بتصغّر الصور عالية الدقّة إلى صيغة أقلّ دقّة.
المعنى الثاني، وهو المستخدَم أكتر في سياق العدالة والتوازن: التدريب على نسبة أقلّ بشكل غير متناسب من أمثلة الفئة الممثَّلة بإفراط، عشان تحسّن تدريب النموذج على الفئات الممثَّلة تحت الحدّ.
في مجموعة بيانات غير متوازنة فئويًا (Class-Imbalanced Dataset)، النماذج بتميل تتعلّم الكتير عن الفئة الأغلبية (Majority Class) وما يكفيش عن الفئة الأقلّية (Minority Class). والتصغير النزولي بيساعد على موازنة كمّية التدريب بين الفئتين.
وده يقابل الإفراط في أخذ العيّنات (Oversampling)، اللي بيوازن المجموعة من الاتّجاه التاني: بتكرّر أمثلة الفئة الأقلّية بدل تقليل أمثلة الفئة الأغلبية.
مثال عملي
مجموعة بيانات معاملات بنكية: مليونا معاملة سليمة، و300 احتيالية.
لو درّبت النموذج على البيانات زي ما هي، هيتعلّم يتوقّع «سليمة» دايمًا تقريبًا ويحقّق دقّة عالية بلا فائدة حقيقية. بتصغّر عيّنة المعاملات السليمة إلى، لنقل، 30 ألفًا فقط، فتبقى النسبة أقرب لـ100 إلى 1 بدل 6600 إلى 1. النموذج بقى مضطرّ يتعلّم فعليًا الفرق بين الفئتين.
مصطلحات مرتبطة
- Class-Imbalanced Dataset — مجموعة البيانات غير المتوازنة.
- Oversampling — الإفراط في أخذ العيّنات.
- Majority Class — الفئة الأغلبية.
المصادر: Google ML Glossary
