ليس كل سؤال يأتي مع labels. يسأل فريق التسويق في Cartwheel: “ما أنواع العملاء لدينا؟” لم يصنّف أحد العملاء بأنواع، فلا هدف للتنبؤ به. يبحث التعلّم غير الموجَّه (unsupervised learning) عن بنية في الـ features وحدها. والأداتان اللتان ستستخدمهما أكثر من غيرهما هما العنقدة (clustering)، التي تجمّع الصفوف المتشابهة، وتقليل الأبعاد، الذي يلخّص أعمدة كثيرة في أعمدة قليلة.
\nتحتاج k-means إلى قرار واحد منك: عدد العناقيد، k. ثم تكرّر خطوتين:
\nحين تتوقف الإسنادات عن التغيّر، ينتهي الأمر. وقد تعطي مراكز البداية المختلفة نتائج مختلفة، لذا يشغّل scikit-learn العملية كلها n_init مرة ويحتفظ بالحل الأكثر إحكامًا.
لأن “الأقرب” مسافة، فالدرس نفسه من أقرب k جيران ينطبق هنا: وحّد المقاييس أولًا، وإلا حسم total_spent بالآلاف كل شيء.
استخدم أعمدة السلوك فقط واترك churned خارجًا: فالتقسيم إلى شرائح يجب أن يصف العملاء، لا نتيجتهم. ستنظر إلى الانقطاع بعد ذلك لترى إن كانت الشرائح تعني شيئًا.
import pandas as pd\nfrom sklearn.cluster import KMeans\nfrom sklearn.metrics import silhouette_score\nfrom sklearn.pipeline import make_pipeline\nfrom sklearn.preprocessing import StandardScaler\n\nchurn = pd.read_csv(\"churn.csv\")\nbehaviour = [\"orders\", \"total_spent\", \"avg_order_value\", \"days_since_last_order\",\n \"tenure_days\", \"mobile_share\"]\nX = StandardScaler().fit_transform(churn[behaviour])\nfor k in range(2, 7):\n labels = KMeans(n_clusters=k, n_init=10, random_state=42).fit_predict(X)\n print(f\"k={k} silhouette {silhouette_score(X, labels):.3f}\")\n\nsegments = make_pipeline(StandardScaler(), KMeans(n_clusters=4, n_init=10, random_state=42))\nchurn[\"segment_id\"] = segments.fit_predict(churn[behaviour])\nprofile = churn.groupby(\"segment_id\").agg(\n customers=(\"orders\", \"size\"), orders=(\"orders\", \"mean\"),\n avg_order=(\"avg_order_value\", \"mean\"), days_since=(\"days_since_last_order\", \"mean\"),\n tenure=(\"tenure_days\", \"mean\"), churn_rate=(\"churned\", \"mean\"))\nprint(profile.round(2))أولًا، الجزء الصادق. تقيس قيمة silhouette كم يكون كل عميل أقرب إلى عنقوده منه إلى العنقود التالي، من -1 إلى 1. والقيم في حدود 0.25 لكل k تعني أن العملاء لا ينقسمون إلى مجموعات طبيعية واضحة؛ بل يشكّلون طيفًا متصلًا. وهذا معتاد في البيانات السلوكية. لا يجعل ذلك العنقدة عديمة الفائدة، لكنه يعني أن k اختيارك أنت، تتخذه من أجل الفائدة، لا حقيقة اكتشفتها.
\nثم الجزء المفيد. رسم ملامح العناقيد الأربعة يعطي شرائح يستطيع المسوِّق تسميتها:
\nتختلف نِسب الانقطاع بحدّة بين الشرائح مع أن k-means لم ترَ churned قط. هذا دليل على أن الشرائح تلتقط شيئًا حقيقيًا، ويعطي فريق التسويق أربع محادثات مختلفة بدل محادثة واحدة.
ليست k-means الخيار الوحيد. فهي تفترض عناقيد شبه مستديرة ومتشابهة الحجم، وهو افتراض يكفي عادةً للشرائح السلوكية. أما العنقدة الهرمية (AgglomerativeClustering) فتُظهر كيف تندمج المجموعات على مستويات مختلفة، وDBSCAN يجد المناطق الكثيفة بأي شكل ويصنّف القيم الشاذة كضجيج. ابدأ بـ k-means للتقسيم إلى شرائح؛ وبدّل حين لا تناسب افتراضاتها بياناتك بوضوح.
في كثير من مجموعات البيانات عشرات الأعمدة المترابطة. بيانات سرطان الثدي فيها 30 قياسًا لأنوية الخلايا، كثير منها تنويعات على الحجم. يجد تحليل المكوّنات الرئيسية (PCA) محاور جديدة، كلٌّ منها مزيج موزون من الأعمدة الأصلية، مرتّبة بحسب مقدار ما تلتقطه من تباين البيانات. احتفظ بالأولى منها ويصبح لديك ملخّص مضغوط.
\nimport numpy as np\nfrom sklearn.datasets import load_breast_cancer\nfrom sklearn.decomposition import PCA\nfrom sklearn.pipeline import make_pipeline\nfrom sklearn.preprocessing import StandardScaler\n\nX, y = load_breast_cancer(return_X_y=True)\npca = make_pipeline(StandardScaler(), PCA()).fit(X)\nratios = pca[-1].explained_variance_ratio_\nprint(\"first two components keep:\", ratios[:2].round(3), \"=\", round(ratios[:2].sum(), 3))\nprint(\"components needed for 90%:\", int(np.argmax(np.cumsum(ratios) >= 0.90)) + 1)\n\ncoords = make_pipeline(StandardScaler(), PCA(n_components=2)).fit_transform(X)\nfor label, name in [(0, \"malignant\"), (1, \"benign\")]:\n print(name, \"average position:\", coords[y == label].mean(axis=0).round(2))يحتفظ مكوّنان بـ 63% من التباين في 30 عمودًا موحّد المقاييس، وتحتفظ سبعة مكوّنات بـ 90%. ارسم الإحداثيين وستجد الأورام الخبيثة والحميدة على جانبين متقابلين من المحور الأول، مع أن PCA لم يرَ الـ labels قط. ولهذا يُعدّ رسم PCA ثنائي الأبعاد نظرة أولى معيارية على أي مجموعة بيانات عريضة.
\n\nكلتا التقنيتين هنا كلاسيكية ورخيصة. أما الدرس القادم فعن نماذج تتعلّم features خاصة بها من المدخلات الخام: الشبكات العصبية.
\n","toc":[{"id":"sec-1","text":"k-means في حركتين","level":2},{"id":"sec-2","text":"تقسيم عملاء Cartwheel إلى شرائح","level":2},{"id":"sec-3","text":"PCA: أعمدة أقل، ومعظم المعلومات","level":2}],"takeaways":["تتناوب k-means بين خطوتين، إسناد كل نقطة إلى أقرب مركز ونقل كل مركز إلى متوسط نقاطه، حتى لا يتغيّر شيء.","تستخدم العنقدة المسافات، فوحّد مقاييس الـ features أولًا، واضبطn_init وrandom_state لنتائج قابلة للتكرار.","العناقيد لا تكون مفيدة إلا إذا استطعت وصفها؛ فارسم ملامح كلٍّ منها بمتوسطات المجموعة قبل أن تعطيه اسمًا.","قيمة silhouette المنخفضة تعني أن البيانات ليست فيها مجموعات طبيعية واضحة؛ وقد تظل الشرائح مفيدة، لكنها اختيار لا اكتشاف.","يجد PCA محاور جديدة تلتقط أكبر قدر من التباين؛ ويخبرك explained_variance_ratio_ كم يحتفظ به كل مكوّن."],"further":[{"title":"Clustering: K-means","url":"https://scikit-learn.org/stable/modules/clustering.html#k-means"},{"title":"KMeans","url":"https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html"},{"title":"Principal component analysis (PCA)","url":"https://scikit-learn.org/stable/modules/decomposition.html#pca"}],"quiz":[{"q":"شغّلت k-means على أعمدة الانقطاع الخام دون توحيد المقاييس. أيّ عمود سيهيمن على العناقيد؟
","options":[{"text":"used_coupon، لأن الأعمدة الثنائية تفصل المجموعات بوضوح.","why":"عمود 0/1 لا يساهم بأكثر من 1 في المسافة المربّعة، وهذا لا شيء بجانب المبالغ بالدولار."},{"text":"days_since_last_order، لأنه أفضل متنبئ بالانقطاع.","why":"لا ترى k-means الهدف أبدًا؛ إنها لا ترى إلا المسافات، والمسافات يحرّكها المقياس."},{"text":"كل الأعمدة تساهم بالتساوي، لأن k-means تطبّع داخليًا.","why":"لا يوحّد KMeans المقاييس بنفسه؛ عليك أن تضيف StandardScaler."},{"text":"total_spent، لأن قيمه بالآلاف تطغى على كل مسافة أخرى.","why":"صحيح. دون توحيد المقاييس، تجمّع k-means العملاء في الغالب بحسب الإنفاق."}],"answer":3},{"q":"قيم silhouette من k = 2 إلى 7 كلها بين 0.25 و0.27. ماذا يخبرك ذلك؟
","options":[{"text":"البيانات ليس فيها تجمّع طبيعي قوي، فاختر k بحسب الفائدة وقابلية الشرح.","why":"صحيح. القيم المنخفضة المتقاربة تعني أن لا قيمة لـ k تبرز؛ والتقسيم إلى شرائح اختيار نمذجي."},{"text":"k = 7 هي الأفضل لأن نتيجتها الأعلى.","why":"فروق بهذا الصغر ضجيج، وسبع شرائح أصعب على الفريق في الاستخدام من أربع."},{"text":"فشلت k-means ويجب استبدالها بنموذج موجَّه.","why":"ضعف بنية العناقيد لا يجعل العنقدة عديمة الفائدة، والنموذج الموجَّه يحتاج إلى labels ليست لديك للشرائح."}],"answer":0},{"q":"يعطي PCA على features سرطان الثدي الثلاثين قيم explained_variance_ratio_ تساوي 0.44 و0.19 لأول مكوّنين. ماذا يُظهر رسم ثنائي الأبعاد لهما؟
segments بحيث تُوحَّد مقاييس العملاء قبل k-means (4 عناقيد، n_init=10، random_state=42)، واحصل على label واحد لكل عميل في labels.churn_by_cluster: نسبة الانقطاع في كل عنقود، كـ Series فهرسها label العنقود. وhighest_rate: أكبر هذه النِّسب.wine_var_2: حصة التباين التي يحتفظ بها أول مكوّنين رئيسيين للـ features الثلاثة عشر في بيانات النبيذ، بعد توحيد المقاييس.StandardScaler() قبل KMeans(...) في make_pipeline.","يجمّع churn.groupby(labels)["churned"].mean() بحسب مصفوفة الـ labels مباشرة.","درّب make_pipeline(StandardScaler(), PCA(n_components=2)) على X_wine واجمع pipe[-1].explained_variance_ratio_."],"explanation":"تجد k-means بعد توحيد المقاييس الشرائح الأربع من الدرس (129 و41 و79 و149 عميلًا)، وينقطع العابرون الغائبون بنسبة 79% مع أن الهدف لم يُستخدم في العنقدة قط. ودون توحيد المقاييس، كان total_spent سيهيمن، وكانت الشرائح ستفرز العملاء بحسب الإنفاق في الغالب. وفي بيانات النبيذ، يحتفظ مكوّنان بنحو 55% من التباين في 13 قياسًا: ما يكفي لخريطة مفيدة، لا ما يكفي لاستبدال الأعمدة الأصلية.