تحليل البيانات باستخدام مصنف SGD والتحجيم القياسي - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

from sklearn.linear_model import SGDClassifier model_sgd = SGDClassifier() model_sgd.fit(X_train_flat, y_train) pred=model_sgd.predict(X_test_flat) accuracy_score(y_test,pred)0.4651162790697644يحقق مصنف SGDClassifier دقة أعلى بشكل ملحوظ تزيد عن 46٪، على الرغم من تدريبه على البيانات نفسها التي درب مصنف MultinomialNB عليها، ويدل ذلك على فائدة تجربة خوارزميات تصنيف مختلفة؛ للعثور على أفضل خوارزمية تتناسب مع أي مجموعة بيانات معطاة، ومن المهم فهم نقاط القوة والضعف لكل خوارزمية، فعلى سبيل المثال: من المعروف أن خوارزمية SGDClassifier تعمل بشكل أفضل عندما تحجم بيانات الإدخال وتوحد الخصائص؛ ولهذا السبب ستستخدم التحجيم القياسي في نموذجك.--- SECTION: التحجيم القياسي (Standard Scaling) --- هو تقنية معالجة أولية تستخدم في تعلم الآلة لتحجيم خصائص مجموعة البيانات بحيث تكون ذات متوسط حسابي صفري وتباين أحادي الوحدة.يستخدم المقطع البرمجي التالي أداة StandardScaler (المحجم القياسي) من مكتبة sklearn لتحجيم البيانات:from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_train_flat_scaled = scaler.fit_transform(X_train_flat) X_test_flat_scaled = scaler.fit_transform(X_test_flat)print(X_train_flat[0]) # the values of the first image pre-scaling print(X_train_flat_scaled[0]) # the values of the first image post-scaling[144 142 151 ... 76 75 80] [ 0.33463473 0.27468959 0.61190285 ... -0.65170221 -0.62004162 -0.26774175]يمكن الآن تدريب نموذج جديد واختباره باستخدام مجموعات البيانات التي تم تحجيمها:model_sgd = SGDClassifier() model_sgd.fit(X_train_flat_scaled, y_train) pred=model_sgd.predict(X_test_flat_scaled) accuracy_score(y_test,pred)0.4906976744186046تدل النتائج على وجود تحسن بعد التحجيم، ومن المحتمل أن يحدث تحسين إضافي بواسطة تجريب خوارزميات أخرى وضبط متغيراتها حتى تتناسب مع مجموعة البيانات بشكل أفضل.2025 - 1447--- VISUAL CONTEXT --- **CODE_BLOCK**: SGDClassifier Model Training (Pre-scaling) Description: Python code snippet demonstrating the training and prediction of an SGDClassifier model using unscaled data, followed by accuracy calculation. Key Values: SGDClassifier(), fit(X_train_flat, y_train), predict(X_test_flat), accuracy_score(y_test,pred) Context: Shows initial model performance before data preprocessing.**TEXT_OUTPUT**: Accuracy Score (Pre-scaling) Description: The accuracy score obtained from the SGDClassifier model trained on unscaled data. Key Values: 0.4651162790697644 Context: Indicates the baseline performance of the model.**CODE_BLOCK**: StandardScaler Application Description: Python code snippet demonstrating the use of StandardScaler from sklearn.preprocessing to scale training and test data. It also includes print statements to show data values before and after scaling. Key Values: StandardScaler(), fit_transform(X_train_flat), fit_transform(X_test_flat), print(X_train_flat[0]), print(X_train_flat_scaled[0]) Context: Illustrates the data preprocessing step of standard scaling, which normalizes features to have zero mean and unit variance.**TEXT_OUTPUT**: Data Values Before and After Scaling Description: Two lines of numerical output. The first line shows the original pixel values of the first image (pre-scaling). The second line shows the corresponding scaled values after applying StandardScaler, which are normalized. Key Values: [144 142 151 ... 76 75 80], [ 0.33463473 0.27468959 0.61190285 ... -0.65170221 -0.62004162 -0.26774175] Context: Provides a concrete example of how data values change after standard scaling, demonstrating the transformation.**CODE_BLOCK**: SGDClassifier Model Training (Post-scaling) Description: Python code snippet demonstrating the training and prediction of an SGDClassifier model using the previously scaled data, followed by accuracy calculation. Key Values: SGDClassifier(), fit(X_train_flat_scaled, y_train), predict(X_test_flat_scaled), accuracy_score(y_test,pred) Context: Shows model performance after data preprocessing, allowing for comparison with the pre-scaling performance.**TEXT_OUTPUT**: Accuracy Score (Post-scaling) Description: The accuracy score obtained from the SGDClassifier model trained on scaled data. Key Values: 0.4906976744186046 Context: Indicates the improved performance of the model after applying standard scaling.