تحليل البيانات باستخدام شجرة القرار - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

يحتوي العمود الأخير على تشخيص الخبير البشري، وهناك أربعة تشخيصات محتملة: Covid19 (كوفيد - 19)، Flu (الإنفلونزا)، Allergies (الحساسية)، Common cold (نزلات البرد). يمكنك التحقق من ذلك بسهولة باستخدام المقطع البرمجي التالي بلغة البايثون:set(medical_dataset['diagnosis'])على الرغم من أن هناك العشرات من خوارزميات تعلم الآلة المحتملة التي يمكن استخدامها مع مجموعة البيانات هذه، إلا أنك ستستخدم تلك التي تتبع المنهجية المستندة على منطق شجرة القرار (Decision Tree). كما ستستخدم مصنف شجرة القرار (DecisionTreeClassifier) من مكتبة البايثون سكيليرن (Sklearn) على وجه التحديد.from sklearn.tree import DecisionTreeClassifier def diagnose_v4(train_dataset:pd.DataFrame): # create a DecisionTreeClassifier model=DecisionTreeClassifier(random_state=1) # drop the diagnosis column to get only the symptoms train_patient_symptoms=train_dataset.drop(columns=['diagnosis']) # get the diagnosis column, to be used as the classification target train_diagnoses=train_dataset['diagnosis'] # build a decision tree model.fit(train_patient_symptoms, train_diagnoses) # return the trained model return modelيعد تطبيق البايثون في الإصدار الرابع أقصر وأبسط بكثير من التطبيقات السابقة. فهو ببساطة يقرأ الملف التدريبي، ويستخدمه لبناء نموذج شجرة القرار استنادًا إلى العلاقات بين الأعراض والتشخيصات، ومن ثم ينتج نموذجًا مخصصًا. لاختبار هذا الإصدار بشكل صحيح، ابدأ بتقسيم مجموعة البيانات إلى مجموعتين منفصلتين، واحدة للتدريب، وأخرى للاختبار.from sklearn.model_selection import train_test_split# use the function to split the data, get 30% for testing and 70% for training. train_data, test_data = train_test_split(medical_dataset, test_size=0.3, random_state=1)#print the shapes (rows x columns) of the two datasets print(train_data.shape) print(test_data.shape)(1400, 9) (600, 9)2023 - 1447--- VISUAL CONTEXT ---Context: شعار الجهة الناشرة أو المسؤولة عن المحتوى التعليمي.