تقييم أداء نماذج التعلم الآلي - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

ستُستخدم الآن شجرة القرار للتنبؤ بالتشخيص الأكثر احتمالاً للمرضى في مجموعة الاختبار. تُستخدم مجموعة الاختبار لتقييم أداء النموذج. تستند طريقة التقييم الدقيقة على ما إذا كان المقصود من المهمة الانحدار (Regression) أم التصنيف (Classification). في مثل مشكلات التصنيف المعروضة هنا، تُستخدم طرائق التقييم الشهيرة مثل: حساب دقة النموذج (Model's Accuracy) ومصفوفة الدقة (Confusion Matrix).• الدقة هي نسبة التنبؤات الصحيحة التي يقوم بها المصنف. تحقق دقة عالية قريبة من 100% يعني أن معظم التنبؤات التي يقوم بها المصنف صحيحة.• مصفوفة الدقة هي جدول يقارن بين القيم الحقيقية (الفعلية) وبين التنبؤات التي يقوم بها المصنف في مجموعة البيانات. يحتوي الجدول على صف واحد لكل قيمة صحيحة وعمود واحد لكل قيمة متوقعة. كل مدخل في المصفوفة يمثل عدد الحالات التي لها قيم فعلية ومتوقعة.# functions used to evaluate a classifier from sklearn.metrics import accuracy_score,confusion_matrix# drop the diagnosis column to get only the symptoms test_patient_symptoms=test_data.drop(columns=['diagnosis'])# get the diagnosis column, to be used as the classification target test_diagnoses=test_data['diagnosis']# guess the most likely diagnoses pred=my_tree.predict(test_patient_symptoms)# print the achieved accuracy score accuracy_score(test_diagnoses,pred)0.8166666666666667ستلاحظ أن شجرة القرار تُحقق دقة تصل إلى 81.6%. وهذا يعني أنه من بين 600 حالة تم اختبارها، شخصت الشجرة 490 منها بشكل صحيح. يمكنك كذلك طباعة مصفوفة الدقة للنموذج لتستعرض بشكل أفضل الأمثلة المصنفة بشكل خاطئ.confusion_matrix(test_diagnoses,pred)array([[143, 3, 0, 0], [ 48, 98, 5, 4], [ 2, 1, 127, 12], [ 1, 3, 31, 122]])2025 - 1447--- VISUAL CONTEXT --- **TABLE**: مصفوفة الدقة Description: A 4x4 numerical array representing the confusion matrix, showing the counts of actual versus predicted classifications for a decision tree model. Table Structure: Headers: N/A Rows: Row 1: 143 | 3 | 0 | 0 Row 2: 48 | 98 | 5 | 4 Row 3: 2 | 1 | 127 | 12 Row 4: 1 | 3 | 31 | 122 Calculation needed: Each cell (i, j) represents the number of samples that belong to actual class 'i' and were predicted as class 'j'. Diagonal elements are correct predictions, off-diagonal are incorrect. Data: The matrix shows the distribution of predictions against actual values. For example, 143 instances of the first class were correctly predicted, while 48 instances of the second class were incorrectly predicted as the first class. Key Values: 143 (true positive for class 1), 98 (true positive for class 2), 127 (true positive for class 3), 122 (true positive for class 4), 3 (false positive for class 1, actual class 2), 48 (false negative for class 1, actual class 2) Context: This confusion matrix is used to evaluate the performance of the decision tree classifier, providing a detailed breakdown of correct and incorrect predictions for each class, which helps in understanding where the model performs well and where it struggles.