تسطيح الصور وتصنيفها باستخدام مصنف بايز الساذج - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

لذلك يمكن استخدام المقطع البرمجي التالي لتسطيح (Flatten) كل صورة في متجه أحادي البعد، فكل صورة الآن ممثلة كمتجه رقمي مسطح قيمته 3 × 100 × 100 = 30,000 قيمة.

X_train_flat = np.array([img.flatten() for img in X_train]) X_test_flat = np.array([img.flatten() for img in X_test]) X_train_flat[0].shape

(30000,)

يمكن استخدام هذا التنسيق المسطح مع أي خوارزمية تصنيف قياسية دون بذل أي جهد إضافي لهندسة خصائص تبويبة أخرى، وسيوضح القسم التالي مثالاً على هندسة الخصائص لبيانات صورة، ويستخدم المقطع البرمجي التالي مصنف بايز الساذج (Naive Bayes – NB) الذي استخدم أيضاً لتصنيف البيانات النصية في الوحدة الثالثة:

from sklearn.naive_bayes import MultinomialNB # imports the Naive Bayes Classifier model_MNB = MultinomialNB() model_MNB.fit(X_train_flat,y_train) # fits the model on the flat training data

MultinomialNB()

from sklearn.metrics import accuracy_score # used to measure the accuracy pred = model_MNB.predict(X_test_flat) # gets the predictions for the flat test set accuracy_score(y_test,pred)

0.36046511627906974

يعرض المقطع البرمجي التالي مصفوفة الدقة (Confusion Matrix) الخاصة بالنتائج لإعطاء رؤية إضافية:

%%capture !pip install scikit-plot import scikitplot

scikitplot.metrics.plot_confusion_matrix(y_test, # actual labels pred, # predicted labels title = "Confusion Matrix", cmap = "Purples", figsize = (10,10), x_tick_rotation = 90, normalize = True # to print percentages )

وزارة التعليم Ministry of Education 2023 - 1447 205

لذلك يمكن استخدام المقطع البرمجي التالي لتسطيح (Flatten) كل صورة في متجه أحادي البعد، فكل صورة الآن ممثلة كمتجه رقمي مسطح قيمته 3 × 100 × 100 = 30,000 قيمة.X_train_flat = np.array([img.flatten() for img in X_train]) X_test_flat = np.array([img.flatten() for img in X_test]) X_train_flat[0].shape(30000,)يمكن استخدام هذا التنسيق المسطح مع أي خوارزمية تصنيف قياسية دون بذل أي جهد إضافي لهندسة خصائص تبويبة أخرى، وسيوضح القسم التالي مثالاً على هندسة الخصائص لبيانات صورة، ويستخدم المقطع البرمجي التالي مصنف بايز الساذج (Naive Bayes – NB) الذي استخدم أيضاً لتصنيف البيانات النصية في الوحدة الثالثة:from sklearn.naive_bayes import MultinomialNB # imports the Naive Bayes Classifier model_MNB = MultinomialNB() model_MNB.fit(X_train_flat,y_train) # fits the model on the flat training data MultinomialNB()from sklearn.metrics import accuracy_score # used to measure the accuracy pred = model_MNB.predict(X_test_flat) # gets the predictions for the flat test set accuracy_score(y_test,pred)0.36046511627906974يعرض المقطع البرمجي التالي مصفوفة الدقة (Confusion Matrix) الخاصة بالنتائج لإعطاء رؤية إضافية:%%capture !pip install scikit-plot import scikitplot scikitplot.metrics.plot_confusion_matrix(y_test, # actual labels pred, # predicted labels title = "Confusion Matrix", cmap = "Purples", figsize = (10,10), x_tick_rotation = 90, normalize = True # to print percentages )2023 - 1447