تفسير تنبؤ النموذج باستخدام LIME - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

يتنبأ خط الأنابيب الجديد بشكل صحيح بالقيمة الإيجابية لهذا التقييم. يُستخدم المقطع البرمجي التالي مفسّر النموذج المحايد المحلي القابل للتفسير والشرح (LIME) لتفسير المنطق وراء هذا التنبؤ:

# create an explainer. explainer_tf = LimeTextExplainer(class_names=class_names) # explain the prediction of the second pipeline for this example. exp = explainer_tf.explain_instance(mistake_example_annotated, prediction_pipeline_tf.predict_proba, num_features=10) # visualize the results. fig = exp.as_pyplot_figure()

شكل 3.14: تأثير الكلمة في مزيج تكرار المصطلح - تكرار المستند العكسي ومصنف بايز الساذج

تؤكد النتائج أن خط الأنابيب الجديد يتبع منطقاً أكثر ذكاءً. فهو يحدد بشكل صحيح المشاعر الإيجابية للعبارات مثل: (لقطة _ جميلة)، و superb_acting (تمثيل رائع)، و (جيد جداً very good). ولا يمكن تضليله باستخدام الكلمات التي جعلت خط الأنابيب الأول يتنبأ بنتائج خاطئة. يمكن تحسين أداء خط الأنابيب لنموذج التنبؤ بطرائق متعددة، باستبدال مصنف بايز البسيط بطرائق أكثر تطوراً مع ضبط متغيراتها لزيادة احتمالاتها. وثمة خيار آخر يتلخص في استخدام تقنيات البرمجة الاتجاهية البديلة التي لا تستند إلى تكرار الرمز، مثل تضمين الكلمات والنصوص، وسيستعرض ذلك في الدرس التالي.

وزارة التعليم Ministry of Education 151 2025 - 1447

يتنبأ خط الأنابيب الجديد بشكل صحيح بالقيمة الإيجابية لهذا التقييم. يُستخدم المقطع البرمجي التالي مفسّر النموذج المحايد المحلي القابل للتفسير والشرح (LIME) لتفسير المنطق وراء هذا التنبؤ:--- SECTION: Code Example for LIME Explanation --- # create an explainer. explainer_tf = LimeTextExplainer(class_names=class_names)# explain the prediction of the second pipeline for this example. exp = explainer_tf.explain_instance(mistake_example_annotated, prediction_pipeline_tf.predict_proba, num_features=10)# visualize the results. fig = exp.as_pyplot_figure()--- SECTION: شكل 3.14: تأثير الكلمة في مزيج تكرار المصطلح - تكرار المستند العكسي ومصنف بايز الساذج --- شكل 3.14: تأثير الكلمة في مزيج تكرار المصطلح - تكرار المستند العكسي ومصنف بايز الساذج تؤكد النتائج أن خط الأنابيب الجديد يتبع منطقاً أكثر ذكاءً. فهو يحدد بشكل صحيح المشاعر الإيجابية للعبارات مثل: (لقطة _ جميلة)، و superb_acting (تمثيل رائع)، و (جيد جداً very good). ولا يمكن تضليله باستخدام الكلمات التي جعلت خط الأنابيب الأول يتنبأ بنتائج خاطئة. يمكن تحسين أداء خط الأنابيب لنموذج التنبؤ بطرائق متعددة، باستبدال مصنف بايز البسيط بطرائق أكثر تطوراً مع ضبط متغيراتها لزيادة احتمالاتها. وثمة خيار آخر يتلخص في استخدام تقنيات البرمجة الاتجاهية البديلة التي لا تستند إلى تكرار الرمز، مثل تضمين الكلمات والنصوص، وسيستعرض ذلك في الدرس التالي.2025 - 1447--- VISUAL CONTEXT --- **GRAPH**: Local explanation for class pos Description: A horizontal bar chart showing the local explanation for a positive class prediction. Green bars represent positive contributions of words (features) to the prediction, while red bars represent negative contributions. X-axis: Feature Importance/Weight Y-axis: Words/Features Data: The graph displays the importance of various words in determining a positive class prediction. Words like 'superb_acting', 'beautifully_shot', 'very_good', 'solid', 'outlook', and 'great' have positive contributions (green bars), with 'superb_acting' having the highest positive impact. Words like 'can_t', 'die_hard', 'your_collection', and 'other_than' have negative contributions (red bars), with 'die_hard' and 'other_than' having the most significant negative impact. Key Values: superb_acting: ~0.065 (positive), beautifully_shot: ~0.035 (positive), can_t: ~-0.005 (negative), very_good: ~0.025 (positive), die_hard: ~-0.015 (negative), your_collection: ~0.005 (positive), other_than: ~-0.015 (negative), solid: ~0.025 (positive), outlook: ~0.025 (positive), great: ~0.025 (positive) Context: This bar chart illustrates how the LIME (Local Interpretable Model-agnostic Explanations) method provides insights into a model's prediction by showing the individual contribution of each word (feature) to the final classification. Green bars indicate features that positively influence the prediction, while red bars indicate features that negatively influence it. This helps in understanding why a model made a particular prediction.