تحليل التجميع التكتلي باستخدام HOG - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

يقترح الرسم الشجري خمسة عناقيد، وهو بالضبط نصف العدد الصحيح البالغ عشرة عناقيد. يتبنى المقطع البرمجي التالي هذا الاقتراح ويطبق أداة AgglomerativeClustering (التجميع التكتلي) ويُظهر نتائج المؤشرات الثلاثة:

AC = AgglomerativeClustering(linkage = 'ward', n_clusters = 5) AC.fit(X_hog) pred = AC.labels_ print('\nHomogeneity score:', homogeneity_score(y, pred)) print('\nAdjusted Rand score:', adjusted_rand_score(y, pred)) print('\nCompleteness score:', completeness_score(y, pred))

Homogeneity score: 0.4046340612330986 Adjusted Rand score: 0.2999020533462774 Completeness score: 0.6306921317302154

تكشف النتائج أنه على الرغم من أن عدد العناقيد التي تم استخدامها كان أقل بكثير من العدد الصحيح، إلا أن النتائج أفضل بكثير من النتائج التي ظهرت عند استخدام الرقم الصحيح على البيانات غير المحولة. ويوضح ذلك ذكاء التحويل بواسطة المخطط التكراري للتدرجات الموجهة، ويثبت أنه يمكن أن يؤدي إلى تحسينات رائعة في الأداء لكل من مهام التعلم الموجه ومهام التعلم غير الموجه في رؤية الحاسب. ولإكمال التحليل يُعيد المقطع البرمجي التالي تجميع البيانات المحولة بالعدد الصحيح للعناقيد:

AC = AgglomerativeClustering(linkage = 'ward', n_clusters = 10) AC.fit(X_hog) pred = AC.labels_ print('\nHomogeneity score:', homogeneity_score(y, pred)) print('\nAdjusted Rand score:', adjusted_rand_score(y, pred)) print('\nCompleteness score:', completeness_score(y, pred))

Homogeneity score: 0.5720932612704411 Adjusted Rand score: 0.41243540297103065 Completeness score: 0.617016965322667

وكما هو متوقع، زادت قيم المؤشرات بشكل عام، فعلى سبيل المثال تجاوز كل من التجانس والاكتمال الآن 0.55. مما يدل على أن الخوارزمية تقوم بعمل أفضل فيما يتعلق بكل من: وضع الحيوانات التي تنتمي لفئة واحدة في العنقود نفسه، وإنشاء عناقيد نقية (Pure) تتكون في الغالب من فئة الحيوان نفسه.

وزارة التعليم Ministry of Education 229 2023 - 1447

يقترح الرسم الشجري خمسة عناقيد، وهو بالضبط نصف العدد الصحيح البالغ عشرة عناقيد. يتبنى المقطع البرمجي التالي هذا الاقتراح ويطبق أداة AgglomerativeClustering (التجميع التكتلي) ويُظهر نتائج المؤشرات الثلاثة:AC = AgglomerativeClustering(linkage = 'ward', n_clusters = 5) AC.fit(X_hog) pred = AC.labels_print('\nHomogeneity score:', homogeneity_score(y, pred)) print('\nAdjusted Rand score:', adjusted_rand_score(y, pred)) print('\nCompleteness score:', completeness_score(y, pred))Homogeneity score: 0.4046340612330986 Adjusted Rand score: 0.2999020533462774 Completeness score: 0.6306921317302154تكشف النتائج أنه على الرغم من أن عدد العناقيد التي تم استخدامها كان أقل بكثير من العدد الصحيح، إلا أن النتائج أفضل بكثير من النتائج التي ظهرت عند استخدام الرقم الصحيح على البيانات غير المحولة. ويوضح ذلك ذكاء التحويل بواسطة المخطط التكراري للتدرجات الموجهة، ويثبت أنه يمكن أن يؤدي إلى تحسينات رائعة في الأداء لكل من مهام التعلم الموجه ومهام التعلم غير الموجه في رؤية الحاسب. ولإكمال التحليل يُعيد المقطع البرمجي التالي تجميع البيانات المحولة بالعدد الصحيح للعناقيد:AC = AgglomerativeClustering(linkage = 'ward', n_clusters = 10) AC.fit(X_hog) pred = AC.labels_print('\nHomogeneity score:', homogeneity_score(y, pred)) print('\nAdjusted Rand score:', adjusted_rand_score(y, pred)) print('\nCompleteness score:', completeness_score(y, pred))Homogeneity score: 0.5720932612704411 Adjusted Rand score: 0.41243540297103065 Completeness score: 0.617016965322667وكما هو متوقع، زادت قيم المؤشرات بشكل عام، فعلى سبيل المثال تجاوز كل من التجانس والاكتمال الآن 0.55. مما يدل على أن الخوارزمية تقوم بعمل أفضل فيما يتعلق بكل من: وضع الحيوانات التي تنتمي لفئة واحدة في العنقود نفسه، وإنشاء عناقيد نقية (Pure) تتكون في الغالب من فئة الحيوان نفسه.2023 - 1447