تحليل التجميع التكتلي باستخدام VGG16 - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

يستخدم المقطع البرمجي التالي التجميع التكتلي ويوضح قيم المؤشرات لكل من العناقيد الأربعة والعناقيد العشرة:

AC = AgglomerativeClustering(linkage = 'ward', n_clusters = 4) AC.fit(X_VGG16) 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: 0.504687456015823 Adjusted Rand score: 0.37265351562538257 Completeness score: 0.9193141240200559

AC = AgglomerativeClustering(linkage='ward', n_clusters = 10) AC.fit(X_VGG16) 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: 0.8403973102506642 Adjusted Rand score: 0.766734821176714 Completeness score: 0.8509145102288217

تثبت النتائج صحة الأدلة التي قدمها التصوير، وتؤدي التحولات التي أنتجها نموذج VGG16 إلى نتائج مذهلة إلى حد كبير لكل من العناقيد الأربعة والعناقيد العشرة. في الواقع، ظهرت نتائج شبه مثالية لجميع المؤشرات الثلاثة عند استخدام عشرة عناقيد، مما يثبت أن النتائج غالبًا تتوافق تمامًا مع فئات الحيوانات في مجموعة البيانات. يُعد نموذج VGG16 من أقدم نماذج الشبكات العصبية الترشيحية عالية الذكاء المدربة مسبقًا لغرض استخدامها في تطبيقات رؤية الحاسب، ومع ذلك نُشرت العديد من نماذج الشبكات العصبية الترشيحية الذكية الأخرى المدربة مسبقًا والتي تجاوز أداؤها أداء نموذج VGG16.

يستخدم المقطع البرمجي التالي التجميع التكتلي ويوضح قيم المؤشرات لكل من العناقيد الأربعة والعناقيد العشرة:AC = AgglomerativeClustering(linkage = 'ward', n_clusters = 4) AC.fit(X_VGG16) 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: 0.504687456015823 Adjusted Rand score: 0.37265351562538257 Completeness score: 0.9193141240200559AC = AgglomerativeClustering(linkage='ward', n_clusters = 10) AC.fit(X_VGG16) 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: 0.8403973102506642 Adjusted Rand score: 0.766734821176714 Completeness score: 0.8509145102288217تثبت النتائج صحة الأدلة التي قدمها التصوير، وتؤدي التحولات التي أنتجها نموذج VGG16 إلى نتائج مذهلة إلى حد كبير لكل من العناقيد الأربعة والعناقيد العشرة. في الواقع، ظهرت نتائج شبه مثالية لجميع المؤشرات الثلاثة عند استخدام عشرة عناقيد، مما يثبت أن النتائج غالبًا تتوافق تمامًا مع فئات الحيوانات في مجموعة البيانات. يُعد نموذج VGG16 من أقدم نماذج الشبكات العصبية الترشيحية عالية الذكاء المدربة مسبقًا لغرض استخدامها في تطبيقات رؤية الحاسب، ومع ذلك نُشرت العديد من نماذج الشبكات العصبية الترشيحية الذكية الأخرى المدربة مسبقًا والتي تجاوز أداؤها أداء نموذج VGG16.--- VISUAL CONTEXT ---Context: شعار الجهة الناشرة أو التابعة لها المادة التعليمية.