مصفوفة الدقة في التصنيف الثنائي - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

%%capture !pip install scikit-plot; # install the scikit-plot library, if it is missing. import scikitplot; # import the library class_names=['neg', 'pos'] # pick intuitive names for the 0 and 1 labels. # plot the confusion matrix. scikitplot.metrics.plot_confusion_matrix( [class_names[i] for i in Y_test], [class_names[i] for i in predictions_v1], title="Confusion Matrix", # title to use cmap="Purples", # color palette to use figsize=(5,5) # figure size );

القيم الحقيقية.

القيم المتوقعة.

تحتوي مصفوفة الدقة على عدد التصنيفات الحقيقية مقابل المتوقعة. في مهمة التصنيف الثنائية (مثل: مسألة احتواء قيمتين، الموجودة في مهمة IMDb)، ستحتوي مصفوفة الدقة على أربع خلايا:

التنبؤات السالبة الصحيحة (أعلى اليسار): عدد المرات التي تنبأ فيها المصنف بالحالات السالبة بشكل صحيح.

التنبؤات السالبة الخاطئة (أعلى اليمين): عدد المرات التي تنبأ فيها المصنف بالحالات السالبة بشكل خاطئ.

التنبؤات الموجبة الخاطئة (أسفل اليسار): عدد المرات التي تنبأ فيها المصنف بالحالات الموجبة بشكل خاطئ.

التنبؤات الموجبة الصحيحة (أسفل اليمين): عدد المرات التي تنبأ فيها المصنف بالحالات الموجبة بشكل صحيح.

الدقة هي نسبة التنبؤات الصحيحة إلى إجمالي عدد التنبؤات.

الدقة = (التنبؤات الموجبة الصحيحة + التنبؤات السالبة الصحيحة) / (التنبؤات الموجبة الصحيحة + التنبؤات السالبة الصحيحة + التنبؤات الموجبة الخاطئة + التنبؤات السالبة الخاطئة)

تُظهر النتائج أنه على الرغم من أن خط الأنابيب الأول يحقق دقة تنافسية تصل إلى 84.68%، إلا أنه لا يزال يُخطئ في تصنيف مئات التقييمات. فهناك 331 تنبؤًا غير صحيح في الربع الأيمن العلوي و 435 تنبؤًا غير صحيح في الربع الأيسر السفلي، بإجمالي 766 تنبؤًا غير صحيح. الخطوة الأولى نحو تحسين الأداء هي دراسة سلوك خط أنابيب التنبؤ، لمعرفة كيف يقوم بمعالجة النص وفهمه.

وزارة التعليم Ministry of Education 141 2025 - 1447

%%capture !pip install scikit-plot; # install the scikit-plot library, if it is missing. import scikitplot; # import the library class_names=['neg', 'pos'] # pick intuitive names for the 0 and 1 labels.# plot the confusion matrix. scikitplot.metrics.plot_confusion_matrix( [class_names[i] for i in Y_test], [class_names[i] for i in predictions_v1], title="Confusion Matrix", # title to use cmap="Purples", # color palette to use figsize=(5,5) # figure size );القيم الحقيقية.القيم المتوقعة.تحتوي مصفوفة الدقة على عدد التصنيفات الحقيقية مقابل المتوقعة. في مهمة التصنيف الثنائية (مثل: مسألة احتواء قيمتين، الموجودة في مهمة IMDb)، ستحتوي مصفوفة الدقة على أربع خلايا:التنبؤات السالبة الصحيحة (أعلى اليسار): عدد المرات التي تنبأ فيها المصنف بالحالات السالبة بشكل صحيح.التنبؤات السالبة الخاطئة (أعلى اليمين): عدد المرات التي تنبأ فيها المصنف بالحالات السالبة بشكل خاطئ.التنبؤات الموجبة الخاطئة (أسفل اليسار): عدد المرات التي تنبأ فيها المصنف بالحالات الموجبة بشكل خاطئ.التنبؤات الموجبة الصحيحة (أسفل اليمين): عدد المرات التي تنبأ فيها المصنف بالحالات الموجبة بشكل صحيح.الدقة هي نسبة التنبؤات الصحيحة إلى إجمالي عدد التنبؤات.الدقة = (التنبؤات الموجبة الصحيحة + التنبؤات السالبة الصحيحة) / (التنبؤات الموجبة الصحيحة + التنبؤات السالبة الصحيحة + التنبؤات الموجبة الخاطئة + التنبؤات السالبة الخاطئة)تُظهر النتائج أنه على الرغم من أن خط الأنابيب الأول يحقق دقة تنافسية تصل إلى 84.68%، إلا أنه لا يزال يُخطئ في تصنيف مئات التقييمات. فهناك 331 تنبؤًا غير صحيح في الربع الأيمن العلوي و 435 تنبؤًا غير صحيح في الربع الأيسر السفلي، بإجمالي 766 تنبؤًا غير صحيح. الخطوة الأولى نحو تحسين الأداء هي دراسة سلوك خط أنابيب التنبؤ، لمعرفة كيف يقوم بمعالجة النص وفهمه.2025 - 1447--- VISUAL CONTEXT --- **DIAGRAM**: Confusion Matrix Description: A 2x2 matrix visualizing the performance of a classification algorithm. It shows the counts of correct and incorrect predictions compared to the true labels. The x-axis represents the 'Predicted label' (neg, pos) and the y-axis represents the 'True label' (neg, pos). X-axis: Predicted label Y-axis: True label Data: The matrix contains four cells with numerical values: - Top-Left (True Negatives): 2164, representing instances where the true label was 'neg' and the predicted label was 'neg'. - Top-Right (False Positives): 331, representing instances where the true label was 'neg' but the predicted label was 'pos'. - Bottom-Left (False Negatives): 435, representing instances where the true label was 'pos' but the predicted label was 'neg'. - Bottom-Right (True Positives): 2070, representing instances where the true label was 'pos' and the predicted label was 'pos'.A vertical color bar on the right indicates the intensity of the counts, ranging from approximately 400 (light blue) to 2000 (dark blue), with major ticks at 500, 750, 1000, 1250, 1500, 1750, and 2000. Key Values: True Negatives: 2164, False Positives: 331, False Negatives: 435, True Positives: 2070 Context: This confusion matrix is a fundamental tool in machine learning for evaluating the performance of a binary classification model. It visually represents the counts of true positive, true negative, false positive, and false negative predictions, which are then used to calculate metrics like accuracy, precision, recall, and F1-score. The surrounding text explains each component of the matrix and its relevance to the overall accuracy calculation.