يأتي scikit-learn بعشرات النماذج، من الخطوط المستقيمة إلى غابات الأشجار، وتستخدمها جميعًا بالطريقة نفسها. تعلّم ثلاثة استدعاءات وستستطيع تجربة أيّ منها على بيانات الانقطاع في بضعة أسطر. هذا الاتساق هو السبب الرئيسي في كون scikit-learn المكتبة الافتراضية لتعلّم الآلة الكلاسيكي.
\nالنموذج في scikit-learn هو estimator (مقدِّر): كائن Python تنشئه بإعداداته، وتدرّبه بـ fit، وتستخدمه بـ predict وscore.
import pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.tree import DecisionTreeClassifier\n\nchurn = pd.read_csv(\"churn.csv\")\nfeatures = [\"tenure_days\", \"orders\", \"total_spent\", \"avg_order_value\",\n \"days_since_last_order\", \"used_coupon\", \"support_tickets\", \"mobile_share\"]\nX, y = churn[features], churn[\"churned\"]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.25, random_state=42, stratify=y)\n\nmodel = DecisionTreeClassifier(max_depth=3, random_state=42) # 1. create\nmodel.fit(X_train, y_train) # 2. learn\nprint(model.predict(X_test)[:10]) # 3. use\nprint(\"train accuracy:\", round(model.score(X_train, y_train), 3))\nprint(\"test accuracy: \", round(model.score(X_test, y_test), 3))ما يفعله كل استدعاء:
\nmax_depth=3 تعني أن الشجرة لا تطرح أكثر من ثلاثة أسئلة متتالية. وrandom_state=42 تجعل كسر التعادلات قابلًا للتكرار.fit(X_train, y_train) تنظر في الأمثلة وتتعلّم معاملات (parameters) النموذج. في الشجرة، هذه المعاملات هي الأسئلة والعتبات (“هل days_since_last_order أكبر من 236.5؟”). وتُعيد النموذج نفسه، لذا يعمل أيضًا model = DecisionTreeClassifier().fit(X, y).predict(X) تُعيد تنبؤًا واحدًا لكل صف: وهنا مصفوفة من الأصفار والآحاد.score(X, y) تتنبأ ثم تقارن بالإجابات الحقيقية. في المصنِّفات تُعيد الـ accuracy (الدقة)، أي نسبة التنبؤات الصحيحة. وفي نماذج الانحدار تُعيد R²، الذي ستتعرّف عليه في القسم 2.كل ما يتعلّمه النموذج أثناء fit يُخزَّن في سمات (attributes) تنتهي أسماؤها بشرطة سفلية. وهي غير موجودة قبل fit؛ فطلب إحداها يرفع AttributeError، واستدعاء predict على نموذج غير مدرَّب يرفع NotFittedError.
import pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.tree import DecisionTreeClassifier\n\nchurn = pd.read_csv(\"churn.csv\")\nfeatures = [\"tenure_days\", \"orders\", \"total_spent\", \"avg_order_value\",\n \"days_since_last_order\", \"used_coupon\", \"support_tickets\", \"mobile_share\"]\nX_train, X_test, y_train, y_test = train_test_split(\n churn[features], churn[\"churned\"], test_size=0.25, random_state=42,\n stratify=churn[\"churned\"])\nmodel = DecisionTreeClassifier(max_depth=3, random_state=42).fit(X_train, y_train)\n\nprint(model.classes_) # the labels it saw: [0 1]\nprint(model.n_features_in_) # 8\nprint(model.feature_names_in_[:3])\n\nnew_customer = pd.DataFrame([{\n \"tenure_days\": 400, \"orders\": 2, \"total_spent\": 180.0, \"avg_order_value\": 90.0,\n \"days_since_last_order\": 150, \"used_coupon\": 0, \"support_tickets\": 1,\n \"mobile_share\": 0.5}])\nprint(model.predict(new_customer)) # [1]: likely to churn\nprint(model.predict_proba(new_customer)) # [[0.36 0.64]]تعطيك predict_proba الاحتمال الذي يقدّره النموذج لكل فئة، بترتيب classes_. هذا العميل يحصل على 64% للانقطاع. ستعتمد على الاحتمالات كثيرًا في القسم 3، لأنها تتيح لك أن تختار مقدار الحذر الذي تريده.
أزل الآن حدّ العمق وراقب ما يحدث. الشجرة غير المحدودة تواصل طرح الأسئلة حتى يجلس كل عميل من عملاء التدريب في ورقة لا تحوي إلا فئته.
\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.tree import DecisionTreeClassifier\nfrom sklearn.neighbors import KNeighborsClassifier\n\nchurn = pd.read_csv(\"churn.csv\")\nfeatures = [\"tenure_days\", \"orders\", \"total_spent\", \"avg_order_value\",\n \"days_since_last_order\", \"used_coupon\", \"support_tickets\", \"mobile_share\"]\nX_train, X_test, y_train, y_test = train_test_split(\n churn[features], churn[\"churned\"], test_size=0.25, random_state=42,\n stratify=churn[\"churned\"])\n\nfor model in [DecisionTreeClassifier(max_depth=3, random_state=42),\n DecisionTreeClassifier(random_state=42),\n KNeighborsClassifier(n_neighbors=5)]:\n model.fit(X_train, y_train)\n print(f\"{model!r:55} train {model.score(X_train, y_train):.2f} test {model.score(X_test, y_test):.2f}\")الشجرة غير المحدودة مثالية على العملاء الـ 298 الذين درستهم، وأسوأ من الشجرة الضحلة على المئة الذين لم ترَهم. لقد حفظت خصوصيات العملاء الأفراد. هذه الفجوة بين أداء التدريب وأداء الاختبار هي الـ overfitting (الإفراط في التوافق)، وستقضي جزءًا كبيرًا من القسم 2 في تعلّم كيفية التحكم فيها.
\nلاحظ أيضًا النموذج الثالث. خوارزمية أقرب k جيران (k-nearest neighbours) لا تشبه الشجرة في شيء (فهي تتنبأ بالنظر إلى أكثر خمسة عملاء تدريب تشابهًا)، ومع ذلك الكود متطابق. تبديل النموذج يكلّفك سطرًا واحدًا.
\nالواجهة المشتركة تُخفي أفكارًا مختلفة جدًا عن العالم. فالشجرة تفترض أن الانقطاع يمكن وصفه بعدد قليل من أسئلة نعم/لا ذات حدود فاصلة حادة. وأقرب k جيران تفترض أن العملاء المتشابهين يتصرّفون بالطريقة نفسها، حيث “التشابه” يعني القرب حين يُعامَل كل عمود كمسافة. لا أحد الافتراضين صحيح بإطلاق؛ كلٌّ منهما مفيد في مواقف وخاطئ في أخرى. ولهذا تجرّب عدة نماذج على التقسيم نفسه بدل أن تتجادل حول أيّها يجب أن يفوز.
\nنماذج الانحدار تلتزم العقد نفسه. DecisionTreeRegressor وLinearRegression تأخذان y رقميًا، وتُعيد predict أرقامًا بدل الفئات، وتُعيد score قيمة R² بدل الـ accuracy. كل ما تتعلّمه عن estimator واحد ينتقل إلى البقية.
تفصيلتان توفّران عليك الارتباك لاحقًا. استدعاء fit مرة ثانية يمحو ما تعلّمه النموذج من قبل ويبدأ من الصفر؛ ولا يضيف إلى معرفته القديمة. والإعدادات التي مرّرتها إلى الـ constructor تبقى مقروءة كسمات عادية (model.max_depth)، فيمكنك دائمًا التحقق مما طُلب من نموذج مدرَّب أن يفعله.
لديك الآن نموذج بدقة 73% على بيانات الاختبار. هل هذا جيد؟ لا يمكنك الحكم بعد، لأنك لم تسأل كم سيحقق نموذج بلا أي ذكاء على الإطلاق. هذا هو موضوع الدرس القادم.
\n","toc":[{"id":"sec-1","text":"ثلاثة استدعاءات","level":2},{"id":"sec-2","text":"ما الذي يعرفه النموذج بعد التدريب","level":2},{"id":"sec-3","text":"نتيجة التدريب تكذب","level":2},{"id":"sec-4","text":"العقد نفسه، والافتراضات مختلفة","level":2}],"takeaways":["كل estimator في scikit-learn يُنشأ بإعداداته، ويتعلّم فيfit(X, y)، ويُستخدم عبر predict(X) وscore(X, y).","الـ hyperparameters مثل max_depth تحدّدها أنت قبل التدريب؛ أما المعاملات (parameters) مثل عتبات التقسيم فتُتعلَّم أثناء fit.","سمات (attributes) النموذج المدرَّب تنتهي بشرطة سفلية (classes_ وfeature_names_in_) ولا توجد إلا بعد fit.","تُعيد score قيمة الـ accuracy للمصنِّفات وقيمة R² لنماذج الانحدار.","الفجوة الكبيرة بين نتيجتي التدريب والاختبار تعني أن النموذج حفظ صفوف تدريبه."],"further":[{"title":"Getting started: fitting and predicting","url":"https://scikit-learn.org/stable/getting_started.html"},{"title":"DecisionTreeClassifier","url":"https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html"},{"title":"Glossary: estimator, fit, predict","url":"https://scikit-learn.org/stable/glossary.html"}],"quiz":[{"q":"ماذا يطبع هذا الكود؟
\nfrom sklearn.tree import DecisionTreeClassifier\nmodel = DecisionTreeClassifier(max_depth=3)\nprint(model.classes_)[0 1]، أي فئتا الانقطاع.","why":"classes_ تُتعلَّم من y أثناء fit. وهذا النموذج لم يرَ أي بيانات بعد."},{"text":"None، لأنه لم تُحدَّد أي فئات بعد.","why":"لا ينشئ scikit-learn السمات التي يتعلّمها التدريب بقيمة None. فهي غير موجودة أصلًا حتى يُنفَّذ fit."},{"text":"خطأ AttributeError، لأن classes_ لا توجد إلا بعد fit.","why":"صحيح. الشرطة السفلية في آخر الاسم تدلّ على سمة ينشئها fit."}],"answer":2},{"q":"شجرة تحقق 1.00 على بيانات التدريب و0.72 على بيانات الاختبار. وشجرة بعمق 3 تحقق 0.78 و0.73. أيّهما النموذج الأفضل لـ Cartwheel؟
","options":[{"text":"الشجرة غير المحدودة، لأن 1.00 تُظهر أنها التقطت كل نمط.","why":"النتيجة المثالية في التدريب على بيانات مليئة بالضجيج مثل بيانات الانقطاع تعني أنها حفظت العملاء فردًا فردًا. ونتيجتها في الاختبار أقل."},{"text":"الشجرة بعمق 3، لأنها تؤدي على الأقل بالمستوى نفسه مع عملاء لم ترَهم، وهي أبسط بكثير.","why":"صحيح. احكم على البيانات المحجوزة؛ وحين تتعادل النتائج، فضّل النموذج ذا الأجزاء المتحركة الأقل."},{"text":"هما متساويتان، لأن نتيجتي الاختبار لا تختلفان إلا بـ 0.01.","why":"نتيجتا الاختبار متقاربتان، لكن الشجرة بعمق 3 أسهل في الشرح وأقل عرضة للتذبذب مع بيانات جديدة. وهذا يحسم التعادل."}],"answer":1},{"q":"أيّ هذه القيم hyperparameter وليست معاملًا متعلَّمًا؟
","options":[{"text":"max_depth=3 الممرَّرة إلى DecisionTreeClassifier","why":"صحيح. أنت تختارها قبل التدريب، وهي تحدّ من مدى تعقيد الشجرة المتعلَّمة."},{"text":"العتبة days_since_last_order <= 236.5 في جذر شجرة مدرَّبة","why":"هذه العتبة يجدها fit من البيانات. فهي معامل متعلَّم."},{"text":"coef_ في نموذج LinearRegression مدرَّب","why":"المعاملات تُتعلَّم من البيانات، ولهذا تحمل الشرطة السفلية في آخر اسمها."}],"answer":0},{"q":"درّبت نموذجًا على DataFrame أعمدته بترتيب معيّن، ثم استدعيت predict على DataFrame فيه الأعمدة نفسها بترتيب مختلف. ماذا يحدث؟
ValueError يقول إن أسماء الـ features يجب أن تكون بالترتيب نفسه كما في fit.","why":"صحيح. هذا الفحص يحميك من إدخال orders بصمت في الخانة التي تعلّمها النموذج على أنها tenure_days."},{"text":"يتنبأ بصمت مستخدمًا الأعمدة بحسب مواقعها.","why":"هذا ما يحدث مع مصفوفة NumPy التي لا أسماء لها. أما مع DataFrame فيلتقط فحص الأسماء عدم التطابق."}],"answer":1}],"exercise":{"kind":"python","files":["churn.csv"],"starter":"import pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.tree import DecisionTreeClassifier\n\nchurn = pd.read_csv(\"churn.csv\")\nfeatures = [\"tenure_days\", \"orders\", \"total_spent\", \"avg_order_value\",\n \"days_since_last_order\", \"used_coupon\", \"support_tickets\", \"mobile_share\"]\nX_train, X_test, y_train, y_test = train_test_split(\n churn[features], churn[\"churned\"], test_size=0.25, random_state=42,\n stratify=churn[\"churned\"])\n\nnew_customer = pd.DataFrame([{\n \"tenure_days\": 120, \"orders\": 6, \"total_spent\": 940.0, \"avg_order_value\": 156.7,\n \"days_since_last_order\": 12, \"used_coupon\": 1, \"support_tickets\": 0,\n \"mobile_share\": 0.8}])\n\n# 1. A tree limited to depth 3, and a tree with no depth limit (both random_state=42)\nshallow = DecisionTreeClassifier(max_depth=3, random_state=42)\ndeep = DecisionTreeClassifier(random_state=42)\n\n# 2. Fit both on the training data, then fill in the scores\nshallow_test = None\ndeep_train = None\ndeep_test = None\n\n# 3. The shallow tree's prediction (0 or 1) for new_customer\nnew_pred = None\n","solution":"import pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.tree import DecisionTreeClassifier\n\nchurn = pd.read_csv(\"churn.csv\")\nfeatures = [\"tenure_days\", \"orders\", \"total_spent\", \"avg_order_value\",\n \"days_since_last_order\", \"used_coupon\", \"support_tickets\", \"mobile_share\"]\nX_train, X_test, y_train, y_test = train_test_split(\n churn[features], churn[\"churned\"], test_size=0.25, random_state=42,\n stratify=churn[\"churned\"])\n\nnew_customer = pd.DataFrame([{\n \"tenure_days\": 120, \"orders\": 6, \"total_spent\": 940.0, \"avg_order_value\": 156.7,\n \"days_since_last_order\": 12, \"used_coupon\": 1, \"support_tickets\": 0,\n \"mobile_share\": 0.8}])\n\nshallow = DecisionTreeClassifier(max_depth=3, random_state=42).fit(X_train, y_train)\ndeep = DecisionTreeClassifier(random_state=42).fit(X_train, y_train)\n\nshallow_test = shallow.score(X_test, y_test)\ndeep_train = deep.score(X_train, y_train)\ndeep_test = deep.score(X_test, y_test)\n\nnew_pred = int(shallow.predict(new_customer)[0])\n\nprint(f\"shallow test {shallow_test:.2f} | deep train {deep_train:.2f}, test {deep_test:.2f}\")\n","checks":[{"id":"fitted","test":"hasattr(shallow, 'classes_') and hasattr(deep, 'classes_') and shallow.max_depth == 3 and deep.max_depth is None"},{"id":"shallow-test","test":"shallow_test is not None and abs(float(shallow_test) - 0.73) < 0.005"},{"id":"deep-scores","test":"deep_train is not None and float(deep_train) == 1.0 and abs(float(deep_test) - 0.72) < 0.005"},{"id":"prediction","test":"new_pred is not None and int(__import__('numpy').ravel(new_pred)[0]) == 0"}],"title":"درّب شجرتين وقارن بينهما","prompt":"درّب شجرتي قرار على بيانات تدريب الانقطاع وشاهد الحفظ بالأرقام.
\nshallow (max_depth=3) وdeep (بلا حدّ للعمق)، وكلتاهما بـ random_state=42.shallow_test دقة الشجرة الضحلة على بيانات الاختبار، وdeep_train / deep_test دقة الشجرة العميقة على بيانات التدريب والاختبار.new_pred تنبؤ الشجرة الضحلة (0 أو 1) للعميل new_customer.fit النموذج نفسه، لذا يعمل DecisionTreeClassifier(...).fit(X_train, y_train) في سطر واحد.","تُعيد model.score(X, y) قيمة الـ accuracy في المصنِّفات.","تُعيد predict مصفوفة فيها قيمة لكل صف؛ خذ العنصر [0] للعميل الجديد الوحيد."],"explanation":"تحقق الشجرة العميقة 1.00 على العملاء الذين تدرّبت عليهم و0.72 على الجدد؛ بينما تحقق الشجرة بعمق 3 قيمة 0.73 على الجدد بجزء يسير من القواعد. نتيجة التدريب لنموذج مرن لا تخبرك بشيء يُذكر. العميل الجديد طلب قبل 12 يومًا ولديه ستة طلبات، فتتنبأ الشجرة الضحلة بـ 0 (سيبقى).
\n","checkLabels":{"fitted":"الشجرتان مدرَّبتان بإعدادات العمق الصحيحة","shallow-test":"shallow_test هي دقة الشجرة الضحلة على بيانات الاختبار","deep-scores":"deep_train وdeep_test هما نتيجتا الشجرة العميقة","prediction":"new_pred هو تنبؤ الشجرة الضحلة للعميل new_customer"}},"words":604,"readMinutes":4}