تحليل نتائج تصنيف التقييمات باستخدام خط الأنابيب - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

يتنبأ خط الأنابيب بشكل صحيح بالقيمة الإيجابية للتقييم الأول والقيمة السلبية للتقييم الثاني. يمكن استخدام الدالة المضمنة ()predict_proba لتحديد جميع الاحتمالات التي يقوم خط الأنابيب بتخصيصها لكل واحدة من القيمتين المحتملتين. العنصر الأول هو احتمال تعيين 0 والعنصر الثاني هو احتمال تعيين 1:

prediction_pipeline_v1.predict_proba(['One of the best movies of the year. Excellent cast and very interesting plot.', 'I was very disappointed with his film. I lost all interest after 30 minutes'])

array([[0.08310769, 0.91689231], [0.83173475, 0.16826525]])

النموذج يؤكد بنسبة 8.3% أن التقييم الأول سلبي، بينما يؤكد بنسبة 91.7% أنه إيجابي. وبالمثل، يؤكد النموذج بنسبة 83.1% أن التقييم الثاني سلبي، بينما يؤكد بنسبة 16.8% أنه إيجابي.

شكل 3.7: مخططات دائريان يوضحان النسب المئوية للتقييمين

الخطوة التالية هي اختبار دقة خط الأنابيب الجديد في تصنيف التقييمات في مجموعة بيانات اختبار IMDb. المخرج هو مصفوفة تشمل جميع قيم نتائج تصنيف التقييمات الواردة في بيانات الاختبار:

# use the pipeline to predict the labels of the testing data. predictions_v1 = prediction_pipeline_v1.predict(X_test_text) # vectorize the text data, then predict. predictions_v1

array([[0, 0, 0, ..., 0, 0, 0]], dtype=int64)

توفر لغة البايثون العديد من الأدوات لتحليل وتصوير نتائج خطوط أنابيب التصنيف. تشمل الأمثلة دالة ()accuracy_score من مكتبة سكيليرن وتمثيل مصفوفة الدقة (Confusion Matrix) من مكتبة سايكيت بلوت (Scikit-Plot). وهناك مقاييس تقييم أخرى مثل: الدقة، والاستدعاء، والنوعية، والحساسية، ومقياس درجة F1. وفقًا لحالة الاستخدام التي يمكن حسابها من مصفوفة الدقة. المخرج التالي هو تقريب دقيق لدرجة التنبؤ:

from sklearn.metrics import accuracy_score accuracy_score(Y_test, predictions_v1) # get the achieved accuracy.

0.8468

وزارة التعليم Ministry of Education 2025 - 1447

140

يتنبأ خط الأنابيب بشكل صحيح بالقيمة الإيجابية للتقييم الأول والقيمة السلبية للتقييم الثاني. يمكن استخدام الدالة المضمنة ()predict_proba لتحديد جميع الاحتمالات التي يقوم خط الأنابيب بتخصيصها لكل واحدة من القيمتين المحتملتين. العنصر الأول هو احتمال تعيين 0 والعنصر الثاني هو احتمال تعيين 1:prediction_pipeline_v1.predict_proba(['One of the best movies of the year. Excellent cast and very interesting plot.', 'I was very disappointed with his film. I lost all interest after 30 minutes'])array([[0.08310769, 0.91689231], [0.83173475, 0.16826525]])النموذج يؤكد بنسبة 8.3% أن التقييم الأول سلبي، بينما يؤكد بنسبة 91.7% أنه إيجابي. وبالمثل، يؤكد النموذج بنسبة 83.1% أن التقييم الثاني سلبي، بينما يؤكد بنسبة 16.8% أنه إيجابي.شكل 3.7: مخططات دائريان يوضحان النسب المئوية للتقييمين الخطوة التالية هي اختبار دقة خط الأنابيب الجديد في تصنيف التقييمات في مجموعة بيانات اختبار IMDb. المخرج هو مصفوفة تشمل جميع قيم نتائج تصنيف التقييمات الواردة في بيانات الاختبار:# use the pipeline to predict the labels of the testing data. predictions_v1 = prediction_pipeline_v1.predict(X_test_text) # vectorize the text data, then predict. predictions_v1array([[0, 0, 0, ..., 0, 0, 0]], dtype=int64)توفر لغة البايثون العديد من الأدوات لتحليل وتصوير نتائج خطوط أنابيب التصنيف. تشمل الأمثلة دالة ()accuracy_score من مكتبة سكيليرن وتمثيل مصفوفة الدقة (Confusion Matrix) من مكتبة سايكيت بلوت (Scikit-Plot). وهناك مقاييس تقييم أخرى مثل: الدقة، والاستدعاء، والنوعية، والحساسية، ومقياس درجة F1. وفقًا لحالة الاستخدام التي يمكن حسابها من مصفوفة الدقة. المخرج التالي هو تقريب دقيق لدرجة التنبؤ:from sklearn.metrics import accuracy_score accuracy_score(Y_test, predictions_v1) # get the achieved accuracy.0.84682025 - 1447--- VISUAL CONTEXT --- **PIE_CHART**: شكل 3.7: مخططات دائريان يوضحان النسب المئوية للتقييمين Description: Two pie charts illustrating the percentage distribution of positive and negative sentiments for two different evaluations (reviews). The right chart is for the 'First Evaluation' and the left chart is for the 'Second Evaluation'. Data: The right pie chart, labeled 'التقييم الأول' (First Evaluation), shows 91.6% as 'إيجابي' (positive, green sector) and 8.3% as 'سلبي' (negative, pink sector). The left pie chart, labeled 'التقييم الثاني' (Second Evaluation), shows 16.8% as 'إيجابي' (positive, green sector) and 83.1% as 'سلبي' (negative, pink sector). Key Values: التقييم الأول: إيجابي 91.6%, التقييم الأول: سلبي 8.3%, التقييم الثاني: إيجابي 16.8%, التقييم الثاني: سلبي 83.1% Context: These charts visually represent the predicted probabilities of two text reviews being classified as positive or negative, as discussed in the preceding text and code output, demonstrating the output of a classification pipeline.