تعتبر السمنة واحدة من أكبر التحديات الصحية على مستوى العالم، حيث ترتبط بشكل وثيق بالعديد من الأمراض المزمنة مثل السكري وأمراض القلب. في هذا الإطار، تبرز تقنيات التعلم الآلي (Machine Learning) كأداة واعدة لتوقع مخاطر السمنة مبكرًا. ولكن هل تساءلت يومًا عن كيفية مقارنة تقنيات التعلم الجماعي (Ensemble Learning) المختلفة في هذا السياق؟

في دراسة حديثة، تم إجراء مقارنة دقيقة بين طريقتين رئيسيتين من طرق التعلم الجماعي: التصويت الهجين (Hybrid Majority Voting) وتكديس النماذج (Ensemble Stacking). الهدف من هذه الدراسة هو تحديد أي من هاتين الطريقتين يقدم دقة وكفاءة أعلى في التنبؤ بمخاطر السمنة.

استخدم الباحثون مجموعتين من البيانات لتقييم ثلاثة نماذج جماعية مختلفة: التصويت الهجين الصلب، التصويت الهجين ذو الوزن، وتكديس النماذج باستخدام خوارزمية بيرسيترون المتعددة الطبقات (Multi-Layer Perceptron) كمتصنيف رئيسي. تم تحليل تسعة خوارزميات تعلم آلي عبر 50 تكوينًا مختلفًا للمعاملات، مما ساعد في تحديد أفضل ثلاثة نماذج لاستخدامها كموجهات أساسية.

تركزت خطوات ما قبل المعالجة على موازنة مجموعة البيانات واكتشاف القيم الشاذة، وتم تقييم أداء النماذج باستخدام مؤشرات الدقة (Accuracy) ودرجة F1. أظهرت النتائج أن التصويت الهجين ذو الوزن وتكديس النماذج حققا أداءً متساويًا تقريبًا على مجموعة البيانات الأولى (دقة: 0.920304، F1: 0.920070) متفوقين بذلك على التصويت الهجين الصلب. أما على مجموعة البيانات الثانية، فقد أثبت تكديس النماذج تفوقه الواضح (دقة: 0.989837، F1: 0.989825)، متفوقًا على التصويت الهجين الصلب (دقة: 0.981707، F1: 0.981675) والذي أظهر أداءً أدنى.

تؤكد هذه النتائج أن تكديس النماذج يعزز القدرة التنبؤية، خاصةً مع البيانات المعقدة، بينما يظل التصويت الهجين خيارًا موثوقًا. كيف ترى دور تقنيات الذكاء الاصطناعي في تحسين الرعاية الصحية؟ شاركونا بآرائكم في التعليقات!