مصفوفة الدقة لتقييم أداء خوارزمية التصنيف - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

scikitplot.metrics.plot_confusion_matrix(y_test, # actual labels pred, # predicted labels title = "Confusion Matrix", # title to use cmap = "Purples", # color palette to use figsize = (10,10), # figure size x_tick_rotation = 90 );

شكل 4.11: مصفوفة الدقة لأداء خوارزمية SGDClassifier

تكشف النتائج الجديدة عن تحسن هائل في الدقة التي قفزت لتصل إلى أكثر من 70%، وتجاوزت بكثير الدقة التي حققتها المصنفة على البيانات المسطحة دون القيام بأي هندسة للخصائص. ويتضح التحسن أيضاً في مصفوفة الدقة المحدثة التي تشمل عدداً أقل من الأخطاء (التنبؤات الإيجابية الخاطئة)، ويوضح ذلك أهمية استخدام تقنيات رؤية الحاسب لهندسة خصائص ذكية تلتقط الصفات المرئية المختلفة للبيانات.

وزارة التعليم Ministry of Education 2023 - 1447

210

scikitplot.metrics.plot_confusion_matrix(y_test, # actual labels pred, # predicted labels title = "Confusion Matrix", # title to use cmap = "Purples", # color palette to use figsize = (10,10), # figure size x_tick_rotation = 90 );شكل 4.11: مصفوفة الدقة لأداء خوارزمية SGDClassifierتكشف النتائج الجديدة عن تحسن هائل في الدقة التي قفزت لتصل إلى أكثر من 70%، وتجاوزت بكثير الدقة التي حققتها المصنفة على البيانات المسطحة دون القيام بأي هندسة للخصائص. ويتضح التحسن أيضاً في مصفوفة الدقة المحدثة التي تشمل عدداً أقل من الأخطاء (التنبؤات الإيجابية الخاطئة)، ويوضح ذلك أهمية استخدام تقنيات رؤية الحاسب لهندسة خصائص ذكية تلتقط الصفات المرئية المختلفة للبيانات.2023 - 1447--- VISUAL CONTEXT --- **DIAGRAM**: Confusion Matrix Description: A heatmap-style confusion matrix illustrating the performance of a classification model (SGDClassifier) in distinguishing between 16 different animal categories. The matrix shows the counts of true labels versus predicted labels. Diagonal elements represent correct classifications, while off-diagonal elements represent misclassifications. The intensity of the purple color indicates the magnitude of the count, with a color bar on the right ranging from 0 to 30. Table Structure: Headers: True Label | Bear | Cat | Chicken | Cow | Deer | Duck | Eagle | Elephant | Lion | Monkey | Panda | Pigeon | Rabbit | Sheep | Tiger | Wolf Rows: Row 1: Bear | 12 | 0 | 0 | 0 | 0 | 1 | 0 | 3 | 2 | 2 | 0 | 0 | 0 | 0 | 0 | 1 Row 2: Cat | 0 | 31 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 1 | 1 | 0 | 2 | 0 | 0 Row 3: Chicken | 0 | 1 | 23 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 Row 4: Cow | 1 | 2 | 1 | 17 | 2 | 1 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 0 Row 5: Deer | 0 | 5 | 0 | 0 | 23 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 0 Row 6: Duck | 0 | 1 | 1 | 0 | 0 | 21 | 2 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 Row 7: Eagle | 0 | 0 | 1 | 0 | 0 | 1 | 17 | 0 | 0 | 1 | 2 | 0 | 0 | 0 | 0 | 0 Row 8: Elephant | 1 | 0 | 0 | 1 | 1 | 1 | 0 | 20 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 Row 9: Lion | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 16 | 0 | 1 | 0 | 1 | 0 | 0 | 0 Row 10: Monkey | 3 | 0 | 1 | 0 | 0 | 0 | 0 | 2 | 0 | 15 | 0 | 1 | 0 | 0 | 1 | 0 Row 11: Panda | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 27 | 1 | 0 | 0 | 0 | 0 Row 12: Pigeon | 0 | 0 | 1 | 0 | 0 | 2 | 5 | 0 | 0 | 0 | 0 | 23 | 0 | 0 | 0 | 0 Row 13: Rabbit | 0 | 1 | 2 | 1 | 1 | 5 | 0 | 0 | 0 | 0 | 1 | 1 | 15 | 1 | 0 | 0 Row 14: Sheep | 0 | 0 | 0 | 2 | 3 | 1 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 12 | 0 | 0 Row 15: Tiger | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 3 | 1 | 0 | 0 | 0 | 18 | 0 Row 16: Wolf | 6 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 22 Calculation needed: Classification performance evaluation X-axis: Predicted label Y-axis: True label Data: The matrix displays the number of instances where a true label was classified as a predicted label. High values on the diagonal indicate good classification performance for that category. Off-diagonal values show where the model made errors, indicating confusion between different categories. Key Values: Bear: 12 correct, Cat: 31 correct, Chicken: 23 correct, Cow: 17 correct, Deer: 23 correct, Duck: 21 correct, Eagle: 17 correct, Elephant: 20 correct, Lion: 16 correct, Monkey: 15 correct, Panda: 27 correct, Pigeon: 23 correct, Rabbit: 15 correct, Sheep: 12 correct, Tiger: 18 correct, Wolf: 22 correct Context: This confusion matrix is used to evaluate the performance of a machine learning classification model, specifically an SGDClassifier. It helps in understanding which classes are correctly identified and which are frequently confused with others, providing insights into model strengths and weaknesses.