تصوير العناقيد باستخدام TSNEVisualizer - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

يمكن الآن تصوير البيانات بصريًا باستخدام أداة TSNEVisualizer المألوفة من مكتبة yellowbrick، وتم استخدام هذه الأداة أيضًا في الدرس الثاني من الوحدة الثالثة؛ لتصوير العناقيد بصريًا في البيانات النصية.

%capture !pip install yellowbrick from yellowbrick.text import TSNEVisualizer

tsne = TSNEVisualizer(colors = color_palette) # initializes the tool tsne.fit(X_norm, y) # uses TSNE to reduce the data to 2 dimensions tsne.show();

شكل 4.18: تصوير العناقيد

التصوير التمهيدي هذا ليس كما هو متوقع، فيبدو أن فئات الحيوانات المختلفة مختلطة ببعضها، دون تمييز واضح بينها ودون عناقيد واضحة لها. ويدل ذلك على أن مجرد القيام بتسطيح بيانات الصورة الأصلية من المحتمل ألا يؤدي إلى نتائج ذات جودة عالية. بعد ذلك، ستستخدم خوارزمية التجميع التكتلي (Agglomerative Clustering) نفسها التي استخدمت في الدرس الثاني من الوحدة الثالثة؛ لتجميع البيانات في متغير X_norm، ويستورد المقطع البرمجي التالي مجموعة الأدوات المطلوبة، ويصور الرسم الشجري لمجموعة البيانات:

وزارة التعليم Ministry of Education 225 2025 - 1447

يمكن الآن تصوير البيانات بصريًا باستخدام أداة TSNEVisualizer المألوفة من مكتبة yellowbrick، وتم استخدام هذه الأداة أيضًا في الدرس الثاني من الوحدة الثالثة؛ لتصوير العناقيد بصريًا في البيانات النصية.%capture !pip install yellowbrick from yellowbrick.text import TSNEVisualizer tsne = TSNEVisualizer(colors = color_palette) # initializes the tool tsne.fit(X_norm, y) # uses TSNE to reduce the data to 2 dimensions tsne.show();شكل 4.18: تصوير العناقيد التصوير التمهيدي هذا ليس كما هو متوقع، فيبدو أن فئات الحيوانات المختلفة مختلطة ببعضها، دون تمييز واضح بينها ودون عناقيد واضحة لها. ويدل ذلك على أن مجرد القيام بتسطيح بيانات الصورة الأصلية من المحتمل ألا يؤدي إلى نتائج ذات جودة عالية. بعد ذلك، ستستخدم خوارزمية التجميع التكتلي (Agglomerative Clustering) نفسها التي استخدمت في الدرس الثاني من الوحدة الثالثة؛ لتجميع البيانات في متغير X_norm، ويستورد المقطع البرمجي التالي مجموعة الأدوات المطلوبة، ويصور الرسم الشجري لمجموعة البيانات:2025 - 1447--- VISUAL CONTEXT --- **DIAGRAM**: TSNE Projection of 1085 Documents Description: A 2D scatter plot generated by t-SNE (t-Distributed Stochastic Neighbor Embedding) showing the projection of 1085 documents into a 2-dimensional space. Each point represents a document, and its color corresponds to one of ten animal categories. The visualization aims to show clusters, but the text notes that the categories appear mixed, indicating that simple flattening of the original image data might not yield high-quality results. X-axis: Dimension 1 Y-axis: Dimension 2 Data: The plot displays a dense collection of colored points. The legend indicates 10 distinct categories: Bear (blue), Cat (green), Chicken (red), Deer (yellow), Duck (light green), Eagle (purple), Lion (orange), Pigeon (pink), Rabbit (black), and Wolf (dark red/maroon). The points from different categories are largely intermingled across the 2D space, with no clear, distinct clusters for each animal type, as noted in the accompanying text. This suggests a lack of clear separation between the categories in the reduced 2D space. Key Values: 1085 documents, 10 animal categories Context: This visualization demonstrates the application of t-SNE for dimensionality reduction and clustering. It highlights that while t-SNE can project high-dimensional data into 2D, the resulting clusters may not always be distinct, especially if the underlying data (e.g., flattened image data) is not well-suited for clear separation. It sets the stage for introducing more advanced clustering algorithms like Agglomerative Clustering.