abdullah's picture
Add files using upload-large-folder tool
4b6d5de verified
raw
history blame
56 kB
1
00:00:02,230 --> 00:00:04,390
بسم الله الرحمن الرحيم الصلاة والسلام على رسول
2
00:00:04,390 --> 00:00:08,590
الله أهلا وسهلا بكم أخواني الطلاب و أخواتي
3
00:00:08,590 --> 00:00:15,370
الطالبات سنستكمل اليوم في هذا التسجيل موضوع ال
4
00:00:15,370 --> 00:00:19,050
classification model evaluation بعد أن اتعرفت على
5
00:00:20,110 --> 00:00:25,050
هي عبارة عن تحديد الـ Membership لجروب أو لكتجوري
6
00:00:25,050 --> 00:00:30,070
معروفة مسبقا و اتعرفت على مجموعة من ال classifiers
7
00:00:30,070 --> 00:00:33,690
بدءا من ال kennerist neighbor واعتماده و شفنا انه
8
00:00:33,690 --> 00:00:36,610
بيعتمد على الحساب على ال similarity distance
9
00:00:36,610 --> 00:00:42,550
وحكينا انه بيعتمد عليها او بقارن او باستخدام
10
00:00:42,550 --> 00:00:47,110
different distances زي ال including distance او ال
11
00:00:47,110 --> 00:00:52,600
Manhattan distanceوتكلمنا على الـ Naive bias كـ
12
00:00:52,600 --> 00:00:57,280
classifier وشوفنا كيف ال probability او كيف تم
13
00:00:57,280 --> 00:00:59,400
حسبة ال probability او ال conditional probability
14
00:00:59,400 --> 00:01:05,100
وانتقلنا بعد هي كان لموضوع ال decision tree وشوفنا
15
00:01:05,100 --> 00:01:08,920
كيف بنينا ال decision tree مع بعض واخر classifier
16
00:01:08,920 --> 00:01:12,080
كان ل neural network او ال multilinear perceptron
17
00:01:12,080 --> 00:01:16,200
او ال classifier كان neural network الآن بعد ما
18
00:01:16,200 --> 00:01:20,480
أنا بنيتالموديل هذا و اصبح عملية ال classification
19
00:01:20,480 --> 00:01:24,220
مش لازم انا اعرف جدش عملية ال classification تبعتي
20
00:01:24,220 --> 00:01:28,320
صح او كده فبتيجي عملية ال evaluation هان فعليا
21
00:01:28,320 --> 00:01:35,340
عشان تقولي انا والله بدي اقيم العناصر اللي موجودة
22
00:01:35,340 --> 00:01:39,460
عندى يعنى عفو مش العناصر بدي اقيم اداء ال
23
00:01:39,460 --> 00:01:42,260
classifier اللي موجود عندى يعنى فلما احنا بنتكلم
24
00:01:42,260 --> 00:01:46,830
على evaluation يعني ان انا بتتكلم علىتقييم فعلي
25
00:01:46,830 --> 00:01:52,610
للـ classifier اللي موجود عندى و هذا هم فحوة
26
00:01:52,610 --> 00:01:56,490
محاضرتنا لليوم أو في التسجيل هذا ان شاء الله تعالى
27
00:01:57,520 --> 00:02:00,740
طبعا بحب اذكر فقط بداية ان اذكر بعض الشغلات
28
00:02:00,740 --> 00:02:04,660
الأساسية قلنا من ال basic concept الخاص بال
29
00:02:04,660 --> 00:02:07,540
classifier في عند مصطلح ال accuracy و قلنا ال
30
00:02:07,540 --> 00:02:11,280
accuracy هي عبارة على قدرة ال classifier التنبؤ
31
00:02:11,280 --> 00:02:16,220
بشكل صحيح و عادة بتمثل النسبة عدد ال prediction
32
00:02:16,220 --> 00:02:22,560
الصحيح على كل predictions اللي سواها على كل عمليات
33
00:02:22,560 --> 00:02:26,700
التنبؤ اللي سواها ال classifier اللي موجودة عندها
34
00:02:27,990 --> 00:02:31,930
وبالتالي سنقول إن الـ Accuracy بتشير لعملية القدرة
35
00:02:31,930 --> 00:02:36,090
للـ classifier إنه يعمل correct prediction of the
36
00:02:36,090 --> 00:02:39,950
class label for unseen data وتكلمنا عن الـ Speed
37
00:02:39,950 --> 00:02:44,210
قلنا إنها عبارة عن computational cost الخاصة بالـ
38
00:02:44,210 --> 00:02:47,870
classifier لما تكلمنا عن computational cost
39
00:02:50,350 --> 00:02:54,410
أنا بهمني الوقت اللي بده يستغرقه ال classifier
40
00:02:54,410 --> 00:02:58,350
سواء في عملية ال training أو حتى في عملية ال
41
00:02:58,350 --> 00:03:05,870
classification نفسها أو ال prediction نفسها عفوا و
42
00:03:05,870 --> 00:03:08,430
اتكلمنا كذلك على ال robustness و قولنا ال
43
00:03:08,430 --> 00:03:12,170
robustness هي عبارة عن القدرة القدرة ال classifier
44
00:03:12,170 --> 00:03:17,690
على انه يعمل correct predictionلما يكون فيه عندي
45
00:03:17,690 --> 00:03:23,830
أنا noisy data لما يكون فيه عندي noisy data ال بعد
46
00:03:23,830 --> 00:03:26,690
هي تكلمنا على ال scalability وقلنا ال scalability
47
00:03:26,690 --> 00:03:32,970
تشير إلى قدرة ال classifier على القدرة على ان انا
48
00:03:32,970 --> 00:03:39,410
فعليا ابني classifier بشكل مجدي في حالة وجود
49
00:03:39,410 --> 00:03:43,780
البياناتالضخمة اللي موجودة عندي و Interpretability
50
00:03:43,780 --> 00:03:49,000
أو قدرة على تفسير أو على فهم العناصر أو فهم
51
00:03:49,000 --> 00:03:55,840
الإيهاءات الصادرة أو المعلومات الصادرة عن ال
52
00:03:55,840 --> 00:03:58,200
classifier اللي موجود و طبعا زي ما قولنا عملية
53
00:03:58,200 --> 00:04:01,440
تفسيرها دايما عملية subjective حسب الأشخاص و حسب
54
00:04:01,440 --> 00:04:06,380
ال difficulties اللي أنا بدي أقيمهافعليا عملية ال
55
00:04:06,380 --> 00:04:10,940
evaluation لل classifiers أو ال classification
56
00:04:10,940 --> 00:04:19,340
models عملية نوعا ما فيها نوع من الخداع
57
00:04:19,340 --> 00:04:25,640
لكنها فعلا عملية ممكن تكون نوعا ما غير واضحة أو
58
00:04:25,640 --> 00:04:29,120
فيها بعض الخبايا لازم الواحد ينتبه لها عشان هيك
59
00:04:29,120 --> 00:04:34,220
بنقول نسميها tricky أو خداعةطبعاً لما نتكلم عن
60
00:04:34,220 --> 00:04:38,820
evaluation أول evaluation أو أول metric ممكن يخطر
61
00:04:38,820 --> 00:04:44,260
في بالي هي عبارة عن ال accuracy أول
62
00:04:44,260 --> 00:04:47,540
metric ممكن يخطر في بالي في التقييم أو في ال
63
00:04:47,540 --> 00:04:51,820
evaluation هي عبارة عن ال accuracy لكنها مش هي
64
00:04:51,820 --> 00:04:56,880
الوحيدة طبعاً هنا لما نتكلم على ال accuracy معناته
65
00:04:56,880 --> 00:05:01,840
أنا استخدم باعتمادي على test setأنا الـ training
66
00:05:01,840 --> 00:05:08,740
set استخدمته في لحظة بناء
67
00:05:08,740 --> 00:05:13,480
الموديل و ال test set جا دورها عشان أهي عبارة عن
68
00:05:13,480 --> 00:05:21,700
unlabeled set و أنا بدي أعملها prediction وبناء
69
00:05:21,700 --> 00:05:25,640
عليك بقيم ال accuracy في سؤال مهم جدا يا جماعة
70
00:05:25,640 --> 00:05:31,460
الخيار هل ال test setهي عبارة عن labelled data أو
71
00:05:31,460 --> 00:05:36,140
labelled set أو unlabelled set كمان مرة السؤال
72
00:05:36,140 --> 00:05:39,980
بأطرحه الآن بقول هل ال test set هي عبارة عن
73
00:05:39,980 --> 00:05:44,040
labelled set أو unlabelled set بين جثيم هل لازم
74
00:05:44,040 --> 00:05:50,820
يكون لها label ولا مش لازم يكون لها label المفروض
75
00:05:51,690 --> 00:06:00,230
الان تعمل pause للـ recording هذا وتحاول تفكر
76
00:06:00,230 --> 00:06:03,690
بالجواب احنا بتذكر ان طرحنا خلال المحاضرات السابقة
77
00:06:03,690 --> 00:06:09,090
الجواب الصحيح انه لازم تكون labelled لأن لو ماكانش
78
00:06:09,090 --> 00:06:12,190
فيه label مش هقدر اعمل evaluation مش هقدر اعرف
79
00:06:12,190 --> 00:06:14,770
جديش ال prediction الصحيح من ال prediction الخطأ
80
00:06:14,770 --> 00:06:18,550
وبالتالي ال test set must be labelled
81
00:06:21,470 --> 00:06:24,250
طبعا عندي الـ methods اللي انا ممكن استخدمها مع ال
82
00:06:24,250 --> 00:06:27,710
classifier مع ال classification هان هي عبارة عن
83
00:06:27,710 --> 00:06:31,290
مجموعة من ال .. ال method أو في عندي two methods
84
00:06:31,290 --> 00:06:36,010
أساسيات أنا بستخدمهم عشان أتنبأ أو أقدر أعمل تقدير
85
00:06:36,010 --> 00:06:40,110
لل accuracy الخاصة بال classifier في عندها ال
86
00:06:40,110 --> 00:06:44,590
holdout method و ال holdout method بتعتمد على ال
87
00:06:44,590 --> 00:06:49,760
random samplingو طبعا هنا فعليا انا بقى زي ما قلنا
88
00:06:49,760 --> 00:06:52,640
سابقا و زي ما كان في ال assignment السابق انا
89
00:06:52,640 --> 00:06:57,160
فعليا ال data set اللي موجودة عندها بغض النظر عن
90
00:06:57,160 --> 00:07:02,460
حجمها جسمتها ل two partitions سبعين على سبيل
91
00:07:02,460 --> 00:07:09,500
المثال في المية لل training و تلاتين في الميةكانت
92
00:07:09,500 --> 00:07:13,380
للـ Testing هذه الميثود بسميها holdout method و
93
00:07:13,380 --> 00:07:18,700
بجسم ال data set تبعتي ل training and test set و
94
00:07:18,700 --> 00:07:21,220
بعدين الطريقة التانية اللي احنا بسميها ال cross
95
00:07:21,220 --> 00:07:24,500
validation و ال cross validation هي عبارة عن مثل
96
00:07:24,500 --> 00:07:29,100
كذلك موجودة غالبا معظم استخدامها لما بتكون ال data
97
00:07:29,100 --> 00:07:36,600
set تبعتي حجمها قليل هروح بتفاصيلهم بشكل كويسطبعاً
98
00:07:36,600 --> 00:07:41,260
لما أتكلم على cross validation طريقة ممتازة جداً
99
00:07:41,260 --> 00:07:46,160
بحيث أنه أنا أعرض ال data set بالكامل في ال
100
00:07:46,160 --> 00:07:50,980
training على أجزاء مختلفة و كذلك باختبر كل ال data
101
00:07:50,980 --> 00:07:54,900
set و بطلع بالمتوسط اللي موجود لما أنا بتكلم على
102
00:07:54,900 --> 00:07:58,180
cross validation بتكلم إن هي عبارة عن statistical
103
00:07:58,180 --> 00:08:02,270
method تستخدممن أجل الـ evaluation للـ
104
00:08:02,270 --> 00:08:05,170
generalization الـ generalization جماعة الخير
105
00:08:05,170 --> 00:08:10,470
المقصود فيها هان ان انا بأتكلم قاعد على او بتكلم
106
00:08:10,470 --> 00:08:16,670
على قدرة النظام على التنبؤ الصحيح هو اتعلم بناء
107
00:08:16,670 --> 00:08:22,070
على ال training data الان انا بدأ اشوف فعليا كيف
108
00:08:22,070 --> 00:08:25,610
أداء النظام او ده ال model اللي موجود عندي هان
109
00:08:25,910 --> 00:08:29,510
فكلمة الـ model بيقدر يتعامل أو يكون أداء تبعه
110
00:08:29,510 --> 00:08:33,270
بكون كويس مع unseen data معناته هو more general
111
00:08:33,270 --> 00:08:36,910
more general يعني ما انبناش فقط من أو مكان مش
112
00:08:36,910 --> 00:08:40,830
specific لل training data اللي استخدمناها بل
113
00:08:40,830 --> 00:08:44,790
بالعكس هو شغال على general data set على أي data
114
00:08:44,790 --> 00:08:48,750
set هيشتغلوا بكفاءة كويسة طبعا ال performance data
115
00:08:48,750 --> 00:08:50,730
are more stable
116
00:08:55,210 --> 00:09:01,010
using split طبعاً
117
00:09:01,010 --> 00:09:03,770
اللي متكلم عن الـ cross validation نتكلم إنه ال
118
00:09:03,770 --> 00:09:07,690
performance هذا أو خلنا نقول ال estimation تبعت ال
119
00:09:07,690 --> 00:09:11,330
accuracy أو ال performance تبعت ال ال model هان
120
00:09:11,330 --> 00:09:16,410
هتكون أكثر موثوقية أو أكثر ثباتاً ما إنه لو أنا
121
00:09:16,410 --> 00:09:20,690
فعاليا قسمت ال data set ل training أو testing لأن
122
00:09:20,690 --> 00:09:25,360
موضوع ال randomness بيعمل فعلا مشكلةحقيقية فالـ
123
00:09:25,360 --> 00:09:28,380
cross validation بدل ما انا جسم ال data set
124
00:09:28,380 --> 00:09:35,340
لمجمعتين فعليا انا بجسم ال data بشكل متكرر
125
00:09:35,340 --> 00:09:37,600
repeatedly شو يعني؟
126
00:09:40,410 --> 00:09:44,890
مفهومها أنه انا فعلياً بروح بأجسم افترض ان هذه
127
00:09:44,890 --> 00:09:49,890
الخط ال data كل واحد من ال rows هاي بمثل ال data
128
00:09:49,890 --> 00:09:54,350
set كاملة الفكرة فيها انه انا اجسمها لمجموعة من ال
129
00:09:54,350 --> 00:09:58,350
fold وال fold هذه واحدة منهم تستخدم لل training
130
00:09:58,350 --> 00:10:06,460
والباقي يستخدم لعفوا واحدة للتست والباقي يستخدم ال
131
00:10:06,460 --> 00:10:11,400
lettering يعني تخيل لو انا قلت هي ال data set اللي
132
00:10:11,400 --> 00:10:14,560
موجودة عندي سامحوني انا مش جادر اعمل control كتير
133
00:10:14,560 --> 00:10:17,420
على ال mouse او على ال pen اللي موجود معاياها
134
00:10:18,550 --> 00:10:22,390
جسمتها لأربع أجزاء فبشكل متكرر باجي بقول والله
135
00:10:22,390 --> 00:10:26,570
الجزء هذا الآن هو المخصص لل training والتلاتة هدوة
136
00:10:26,570 --> 00:10:31,410
عفوا لل test والتلاتة هدوة المخصصين لمين لموضوع ال
137
00:10:31,410 --> 00:10:35,290
training في الدورة التانية بحدد هذا لل test
138
00:10:35,290 --> 00:10:40,810
والباقي هذا كله ل training ولاحظوا في كل مرة انا
139
00:10:40,810 --> 00:10:43,750
باعتمد على القيمة اللي بتطلع من موضوع ال testing
140
00:10:43,750 --> 00:10:49,580
هنا ال accuracy ال accuracyالـ Accuracy وليس
141
00:10:49,580 --> 00:10:52,280
بالضرورة في كل مرة تديني نفس القيمة بالعكس تديني
142
00:10:52,280 --> 00:10:58,640
قيم مختلفة في النهاية أحصل على أو أحاول أخد الـ
143
00:10:58,640 --> 00:11:02,380
Average الخاصة بالـ Accuracy اللي موجودة هيك عشان
144
00:11:02,380 --> 00:11:06,260
هيك بنقول انه فعليا ان ال cross validation more
145
00:11:06,260 --> 00:11:09,540
stable لكن فعليا لو أنا كانت عند ال data ستة باعت
146
00:11:09,540 --> 00:11:14,170
كبيرةداتا 6 بقعت كبيرة كبيرة زي ما بتكلم 100 ألف
147
00:11:14,170 --> 00:11:17,890
record أو أو 50 ألف record و أطلع و روحت والله أنا
148
00:11:17,890 --> 00:11:21,910
أخدت منها 30% و عارف انه في مستخدم ال stratified
149
00:11:21,910 --> 00:11:26,970
sampling عشان اضمن ان في عندي balance في ال data
150
00:11:26,970 --> 00:11:32,870
اللي موجودة عندى ال .. ما بين ال different classes
151
00:11:32,870 --> 00:11:36,790
او different labels بتديني نتيجة برضه موطوقة و
152
00:11:36,790 --> 00:11:40,340
ممكن تكون أسرع من ال cross validation تمامبغض
153
00:11:40,340 --> 00:11:44,240
النظر الطريقة اللي اتبعتها كانت الـ K-fold cross
154
00:11:44,240 --> 00:11:48,000
-validation طبعا الـ K نرمز لها هان اللي هي عدد ال
155
00:11:48,000 --> 00:11:53,000
folds اللي انت بدك تجسم فيها ده ك set يعني انا لما
156
00:11:53,000 --> 00:11:55,800
اقولك مثلا بالمثال اللي موجود عندنا على ال slide
157
00:11:55,800 --> 00:12:01,220
فعليا انا خمسةمعناته في كل part يتمثل عشرين في
158
00:12:01,220 --> 00:12:03,820
المية عشرين في المية testing و تمانين في المية
159
00:12:03,820 --> 00:12:07,020
training لاحظوا ان انا زي مرحلة ال training ممكن
160
00:12:07,020 --> 00:12:13,360
اقوم بجسمها لعشرة عشرة في المية testing وتستعين في
161
00:12:13,360 --> 00:12:17,000
المية training في حالتي انا حاولت ارسمها اربعة
162
00:12:17,000 --> 00:12:20,740
عشرين في المية testing وخمسة وسبعين في المية
163
00:12:20,740 --> 00:12:25,300
training فحسب ال data او حسب تقسيمك لل data اللي
164
00:12:25,300 --> 00:12:29,730
موجود عندك تماممن الشغلات المهمة جدا اللى لازم
165
00:12:29,730 --> 00:12:33,230
استوعبها انا صح اللى هي ال classification في ال
166
00:12:33,230 --> 00:12:36,710
classification model ال confusion matrix طبعا عشان
167
00:12:36,710 --> 00:12:42,890
تبسيط المفهوم هشتغل فقط على two classes على binary
168
00:12:42,890 --> 00:12:47,710
classification class A و class B أو class 1 C1 و
169
00:12:47,710 --> 00:12:52,010
C2 اللى هما ممكن يكونوا positive و negative يعني
170
00:12:52,010 --> 00:12:58,050
لو انا افترض ان class 1 هذا positiveوهذا negative
171
00:12:58,050 --> 00:13:05,790
positive و negative الان من اسمها confusion matrix
172
00:13:05,790 --> 00:13:08,890
مصفوفة
173
00:13:08,890 --> 00:13:19,010
اللخمة او مصفوفة التشتوت او سميها زي ما بدك انا
174
00:13:19,010 --> 00:13:26,590
باستخدمها لانه فعليا تديني بشكل واضحوين ال data
175
00:13:26,590 --> 00:13:32,910
set تباعتي راحت الفكرة أنه الآن لو انا قلت ان
176
00:13:32,910 --> 00:13:36,010
الموزع طبعا هذه التوزيعة بنتبتها دائما عشان ما
177
00:13:36,010 --> 00:13:42,370
نعملش مشكلة عند البعض لكن حتى لو اختلفت المصفوفة
178
00:13:42,370 --> 00:13:46,930
كتير انا بعمل لها transpose يعني ممكن اعمل
179
00:13:46,930 --> 00:13:51,450
transpose في اماكن تانية او في اماكن تقراها
180
00:13:51,450 --> 00:13:55,790
بالtranspose وبالتالي اعمل ال prediction هناوالـ
181
00:13:55,790 --> 00:14:00,930
actual classes موجودة هنا لكن انا باعتمد على ان
182
00:14:00,930 --> 00:14:03,470
الـ actual row موجودة في ال rows و ال predicted
183
00:14:03,470 --> 00:14:09,010
موجودة في ال columns تمام معناته انا في عندى class
184
00:14:09,010 --> 00:14:13,010
1 و class 2 positive و negative وهدول ال data set
185
00:14:13,010 --> 00:14:17,630
اللي موجودة عندى هنامحدش قال لي مطلقا تعالى نجي
186
00:14:17,630 --> 00:14:20,950
على الرسمة اللي بس اللي هان محدش قاللي مطلقا ان ال
187
00:14:20,950 --> 00:14:24,270
prediction تبعتي لازم تكون صحيحة 100% يعني لو كانت
188
00:14:24,270 --> 00:14:28,950
ال data tests تبعتي هي مقسمة بين الأخضر والأحمر
189
00:14:28,950 --> 00:14:33,650
وال predictive model الأخضر المفروض positive
190
00:14:33,650 --> 00:14:38,410
والأحمر negativeالله يبعد عنكم الشرك والأحباب كل
191
00:14:38,410 --> 00:14:42,090
يوم احنا بنتكلم على كورونا فيروس موجود في العالم و
192
00:14:42,090 --> 00:14:45,390
الكل بتجري فحوصات positive معناته هذا بيدخل في
193
00:14:45,390 --> 00:14:49,090
المستشفى ويبدو رعاية صحية negative بيبقى في الحجر
194
00:14:49,090 --> 00:14:52,690
الصحي لحد ما تنتهي ال 14 يوم و نتأكد ان الفيروس مش
195
00:14:52,690 --> 00:14:55,970
موجود مش هذا اللي بيصير الله يعافيكوا و أهليكوا
196
00:14:55,970 --> 00:14:59,970
وكل أحبابكوا يا رب العالمينالان الـ system
197
00:14:59,970 --> 00:15:03,210
positive أو negative فالـ system هو اللي بده يعمل
198
00:15:03,210 --> 00:15:07,270
prediction بناءً على ال data الان هو جلب .. لاحظوا
199
00:15:07,270 --> 00:15:10,390
هو ب6 عينات هنا ال data set كلها عملها
200
00:15:10,390 --> 00:15:13,150
classification انتوا ملاحظين انه في عندي أنا هنا
201
00:15:13,150 --> 00:15:21,330
سبعة وفي عندي تمانية يعني هدول 15 element سبعة
202
00:15:21,330 --> 00:15:25,730
positive وتمانية negative فلما عمل ال prediction
203
00:15:25,730 --> 00:15:29,600
عمل أربعةأو قال لي انه في عندك sub المجموع ال
204
00:15:29,600 --> 00:15:33,400
positive قال لي في عندي ست حالات لكن واضح ان هو
205
00:15:33,400 --> 00:15:37,520
أخطأ في حالتين أخطأ في الحمر هدول صح تمام و ال
206
00:15:37,520 --> 00:15:42,980
negative زيها طيب نيشي الآن في ال actual انا فعليا
207
00:15:42,980 --> 00:15:47,580
عندي واحدة اتين تلاتة اربع خمسة ستة يعني الصف هذا
208
00:15:47,580 --> 00:15:55,380
على امتدادهبتكون مجموعه عبارة عن مجموع العناصر أو
209
00:15:55,380 --> 00:16:01,020
عدد العناصر الـ positive cases أو كل الـ rows اللي
210
00:16:01,020 --> 00:16:06,320
بتنتمي ل class 1 true positive هي عبارة عن الـ
211
00:16:06,320 --> 00:16:12,920
rows اللي هي فعليا بتنتميلـ Class 1 و الـ system
212
00:16:12,920 --> 00:16:17,400
عملها prediction as class 1 يعني صنفها بشكل صحيح
213
00:16:17,400 --> 00:16:21,420
فبقولها true يعني تصنيفها كان صحيح و هي فعليا
214
00:16:21,420 --> 00:16:26,460
positive و طبعا ما تنساش او ما تنسيش ان انا بتكلم
215
00:16:26,460 --> 00:16:31,040
على binary classification اسهل الموضوع تمام ماهو
216
00:16:31,040 --> 00:16:34,760
ال false negative ال false negative هي فعليا
217
00:16:34,760 --> 00:16:38,400
elements بتنتمي ل class 1 و هي positive لكن
218
00:16:38,400 --> 00:16:43,020
صنفليها بالخطأأو أخطأ في تصنيفها و حط ليها إيش على
219
00:16:43,020 --> 00:16:46,520
إنها negative وبالتالي أصبحت عندي هنا false
220
00:16:46,520 --> 00:16:51,020
negative مجموح هدول العنصرين ال true positive و ال
221
00:16:51,020 --> 00:16:54,240
false negative ال true positive و ال false
222
00:16:54,240 --> 00:16:58,780
negative هو بتديني عدد عناصر ال class الأول تمام؟
223
00:16:58,780 --> 00:17:02,480
طيب بالنسبة لل class التاني هو عملها prediction
224
00:17:02,480 --> 00:17:08,500
على إنها class one يعني هو قال إنها positive لكنه
225
00:17:08,500 --> 00:17:12,570
ال prediction هذا خطأليش؟ لأن هي في الحقيقة تنتمي
226
00:17:12,570 --> 00:17:16,250
ل class 2 اللي هو الـ negative فهي فعليا negative
227
00:17:16,250 --> 00:17:19,710
ولكن عملها prediction على إنها positive فهي false
228
00:17:19,710 --> 00:17:25,350
positive تمام؟ وتبقى عندها ال true negative هي
229
00:17:25,350 --> 00:17:30,110
class 2 صنفها على class 2 صحيح؟ وبالتالي هي عبارة
230
00:17:30,110 --> 00:17:33,990
عن true negative يعني فعليا لو أنا بدى أفكر
231
00:17:33,990 --> 00:17:37,630
بالجدول أو ب confusion matrix لما أنا بدى أنشئها
232
00:17:37,630 --> 00:17:45,950
بشكل صحيحأي الجدول هو
233
00:17:45,950 --> 00:17:51,250
فيه
234
00:17:51,250 --> 00:18:01,250
مساحة بال powerpoint ولا مافيش eraser
235
00:18:01,250 --> 00:18:05,810
تمام
236
00:18:05,810 --> 00:18:08,490
رجعها لاشي
237
00:18:17,740 --> 00:18:23,380
الان احنا متفقين هنا ان انا فعليا هنا عند الـ
238
00:18:23,380 --> 00:18:27,400
actual والأعمدة الـ predicted
239
00:18:34,130 --> 00:18:40,910
C2 C1 و C2 حسب الرسمة اللي موجودة عندها حاجة
240
00:18:40,910 --> 00:18:46,930
اعدنالان كام واحدة فعليا بينتمي ل class one وعملها
241
00:18:46,930 --> 00:18:49,590
prediction في ال class one صحيح في ال positive
242
00:18:49,590 --> 00:18:55,550
واحدة اتنين تلاتة اربعة تمام
243
00:18:55,550 --> 00:19:02,410
طيب و هدول هذه
244
00:19:02,410 --> 00:19:06,880
وهذههم أصلا نيجاتيف class 2 لكن اعملهم prediction
245
00:19:06,880 --> 00:19:14,840
هان تمام نجي للحالة النيجاتيف هي بتنتمي ل class 1
246
00:19:14,840 --> 00:19:18,280
لكن عملها prediction في class 2 اللي هم الخضر اللي
247
00:19:18,280 --> 00:19:22,340
هان اتنين لو
248
00:19:22,340 --> 00:19:27,140
عديت الخضر اتنين واربعة ستة هي المجموع و هان لازم
249
00:19:27,140 --> 00:19:33,850
يكون هنا في عندياشعشان يكتمل عدد 2.68 فهذه هي
250
00:19:33,850 --> 00:19:37,970
فعليا ال confusion matrix اللي انا هشغل عليها تمام
251
00:19:37,970 --> 00:19:41,590
الآن ال accuracy كون ان انا حسبت ال confusion
252
00:19:41,590 --> 00:19:46,870
matrix اتفقنا ان ال accuracy هي عبارة عن ال ratio
253
00:19:46,870 --> 00:19:56,030
عدد نسبة ال test table اللي صنفها بشكل صحيح مين هم
254
00:19:56,030 --> 00:20:02,900
ال true positiveوالـ true negative و لا لأ تمام
255
00:20:02,900 --> 00:20:06,700
معناته ال true positive صحيحة و ال true negative
256
00:20:06,700 --> 00:20:11,780
صحيحة هدولة صحيحات فبجمع هذه و هذه على كل عناصر
257
00:20:11,780 --> 00:20:14,300
المصفوفة اللي موجودة عندي بكون حصلت على ال
258
00:20:14,300 --> 00:20:18,620
accuracy على كل predict على ال cardinality تبعت ال
259
00:20:18,620 --> 00:20:23,700
test set اللي انا باتكلم عليها واضحة كمان مرة ال
260
00:20:23,700 --> 00:20:28,580
accuracy هي عبارة عن نسبةالـ Rows أو الـ Tables
261
00:20:28,580 --> 00:20:32,600
اللي في ال test set اللي نجح ال classifier فيه
262
00:20:32,600 --> 00:20:39,260
تصنيفها على حجم ال test set اللي موجودة عندى تمام
263
00:20:39,260 --> 00:20:44,780
بالمثال السابق لو انا بدى ارجع هان ال prediction
264
00:20:44,780 --> 00:20:54,000
تبعتي عبارة عن ال هان عفوا اربع
265
00:20:54,000 --> 00:21:03,510
زائد6 على 15 لأن كل ال data 6 بعد 15 element
266
00:21:03,510 --> 00:21:09,470
عديناها قبل شوية يعني بين جثين 12 على 15 لو أنا
267
00:21:09,470 --> 00:21:14,970
بتتكلم على 3 بتتكلم على 4 على 5 معناته أنا بتتكلم
268
00:21:14,970 --> 00:21:19,790
جاعد حدود ال accuracy تبعتي 80%
269
00:21:22,870 --> 00:21:26,790
تمام طبعا ال accuracy عكسة في عند ال error rate
270
00:21:26,790 --> 00:21:29,650
طبعا ممكن في عند مصطلح تاني ممكن استخدمه مع ال
271
00:21:29,650 --> 00:21:35,190
accuracy اللي هو ايش ال recognition rate وطبعا
272
00:21:35,190 --> 00:21:38,070
برضه من المصطلحات المستخدمة accuracy او
273
00:21:38,070 --> 00:21:41,090
recognition rate نفس المعنى في عند ال error rate
274
00:21:41,090 --> 00:21:44,710
ال error rate طبعا اعلى نسبة اللي هي واحد مصبوط
275
00:21:44,710 --> 00:21:49,410
يعني احنا قبل شوية كانت عندى 80% 5 على 4 يعني 8 من
276
00:21:49,410 --> 00:21:55,830
10 ال error rate تساوي واحد ناقص8 من 10 وتساوي
277
00:21:55,830 --> 00:22:01,810
point اتنين من عشرة او بين جثين اللي هي عشرين فيلم
278
00:22:01,810 --> 00:22:05,150
يعني هذا مقدار ال error rate او بين جثين ال error
279
00:22:05,150 --> 00:22:08,990
rate زي ما احنا شايفين هنا هي عبارة عن ال false
280
00:22:08,990 --> 00:22:11,250
positive و ال false negative
281
00:22:14,470 --> 00:22:17,770
له فعليا اللي أخطأ فيه تصنيفهم اللي أخطأ فيه
282
00:22:17,770 --> 00:22:21,290
تصنيفهم طبعا جامعة الخيار هنا في شغل مهم جدا طب
283
00:22:21,290 --> 00:22:23,610
هذا يا دكتور في حالتي ال binary classification لو
284
00:22:23,610 --> 00:22:26,490
حد اتقرح على أي سؤال و قال يا دكتور هذا في حالة ال
285
00:22:26,490 --> 00:22:30,910
binary classification طب شوف حالة ال multiple
286
00:22:30,910 --> 00:22:33,390
class يعني لو كانت المصفوفة تبعتي ال confusion
287
00:22:33,390 --> 00:22:42,830
matrix تبعتي تلاتة في تلاتة ايش
288
00:22:42,830 --> 00:22:48,350
ممكن نعملخلّينا نعتمد نفس التوزيع السابقة الـ
289
00:22:48,350 --> 00:22:54,910
actual في الأعمدة الـ actual في الصفوف و الـ
290
00:22:54,910 --> 00:23:00,270
predicted في الأعمدة معناته هذه هتكون true
291
00:23:00,270 --> 00:23:07,270
positive أو هذه false
292
00:23:07,270 --> 00:23:10,740
negativeفالس
293
00:23:27,780 --> 00:23:31,820
بوزيتف لكن حطيلي اياهم false negative يعني هم جالس
294
00:23:31,820 --> 00:23:35,360
.. هو تفسر .. يعني بفهم هيكل يعني c2 و c3 not
295
00:23:35,360 --> 00:23:39,200
positive يعني negative فاخدلي اياهم هان كمان في ال
296
00:23:39,200 --> 00:23:47,040
class التاني هتكون هذه true negative و هذه false
297
00:23:47,040 --> 00:23:55,580
positive false positive ل c1 عفوا عفوا هي c2 و هي
298
00:23:55,580 --> 00:24:06,300
c3وهنا ستكون فالس نيجاتيف فالس
299
00:24:06,300 --> 00:24:09,540
نيجاتيف فالس نيجاتيف فالس نيجاتيف فالس نيجاتيف
300
00:24:09,540 --> 00:24:11,220
فالس نيجاتيف فالس نيجاتيف فالس نيجاتيف فالس
301
00:24:11,220 --> 00:24:11,220
نيجاتيف فالس نيجاتيف فالس نيجاتيف فالس نيجاتيف
302
00:24:11,220 --> 00:24:12,280
فالس نيجاتيف فالس نيجاتيف فالس نيجاتيف فالس
303
00:24:12,280 --> 00:24:13,540
نيجاتيف فالس نيجاتيف فالس نيجاتيف فالس نيجاتيف
304
00:24:13,540 --> 00:24:16,920
فالس نيجاتيف فالس نيجاتيف فالس نيجاتيف فالس
305
00:24:16,920 --> 00:24:25,260
نيجاتيف فالس نيجاتيف فالهذا الكلام الـ Accuracy
306
00:24:25,260 --> 00:24:31,800
ممتازة في حالة ان العناصر او ال class is balanced
307
00:24:31,800 --> 00:24:35,300
يعني بنجوسين سبعة و تمانية جرب من بعض خمسين و
308
00:24:35,300 --> 00:24:40,020
خمسين تلاتين تلاتين تلاتين او خمسين خمسين خمسين في
309
00:24:40,020 --> 00:24:43,500
حالة ال IRIS data setالـ Balance بين ال classes
310
00:24:43,500 --> 00:24:47,680
موجودة لكن فعلياً لما انا بتكلم على ال diseases أو
311
00:24:47,680 --> 00:24:51,060
في اللي بتكلم على ال fraud detection عمليات النصب
312
00:24:51,060 --> 00:24:55,620
في وضعات الاهتمام ال classes in balance شو يعني in
313
00:24:55,620 --> 00:24:58,480
balance انه عدد ال elements في الكلة و عدد ال rows
314
00:24:58,480 --> 00:25:05,320
مع كل class غير متساوية طبعا أجيب المثال أوضح الله
315
00:25:05,320 --> 00:25:09,100
يعافيكم كم مرة وأهليكم جميعا لأن كم واحد بنعمله
316
00:25:09,100 --> 00:25:15,010
فحص كورونا حول العالممئات الألف عشرات الألف بلاش
317
00:25:15,010 --> 00:25:19,370
مئات الألف كام واحد بتثبت معاه الحالة أقل كتير
318
00:25:19,370 --> 00:25:26,350
وبالتالي عدد ال negative أكبر كتير من عدد ال
319
00:25:26,350 --> 00:25:32,210
positive ممتاز طب لو أنا سألت سؤال مين أختار؟ واحد
320
00:25:32,210 --> 00:25:35,490
ماعهوش فيروس وقال لل system لأ ان هذا عنده فيروس
321
00:25:35,490 --> 00:25:41,760
كورونا ولا واحد عنده فيروس كورونا وال systemقال له
322
00:25:41,760 --> 00:25:48,480
إنه ما عندهوش شو رايكوا؟ يعني نسبة الخطأ مع ال
323
00:25:48,480 --> 00:25:50,960
positive ولا الخطأ مع ال negative هي الأخطر
324
00:25:50,960 --> 00:25:55,820
بالنسبة لنا كلامك صح أو كلامك صح الآن لأنه احنا
325
00:25:55,820 --> 00:26:01,240
فعليا لما أخطأ ال system وقال له إنه هذا negative
326
00:26:02,050 --> 00:26:06,030
false negative كانت مصيبة بالنسبة لي لأن هذا
327
00:26:06,030 --> 00:26:10,150
الإنسان سيخلق
328
00:26:10,150 --> 00:26:13,490
الناس وبالتالي المرض سينتشر لأنه مش معنى ونهيك عن
329
00:26:13,490 --> 00:26:17,650
الأضرار الصحية اللي حدث معاه لكن لو واحد negative
330
00:26:17,650 --> 00:26:21,290
ماعندوش المرض و ال system قال إنه عنده المرض إيش
331
00:26:21,290 --> 00:26:24,990
هناخده؟ هناخده نحطه في ال health care أو في الحجر
332
00:26:24,990 --> 00:26:30,540
الحجر الصحي و بعدين ندي عناية صحية حسب حالتهفي ضرر
333
00:26:30,540 --> 00:26:34,180
في الموضوع حتما مافيش ضرر وبالتالي لما بكون في ال
334
00:26:34,180 --> 00:26:39,220
class imbalance ال accuracy تبعتي مش صحيحة، ليش؟
335
00:26:39,220 --> 00:26:43,200
او بتبقى العفوان غير معدرة بشكل صحيح لأن لو تخيلت
336
00:26:43,200 --> 00:26:51,820
ان هنا انا عدد العناصر بدي اشتغل هيك ان عدد
337
00:26:51,820 --> 00:26:54,260
العناصر اللي انا بدي افحصها 100 ألف
338
00:26:58,340 --> 00:27:06,760
وفعليا او ال data set تبعتي للهيئة كلها كان في
339
00:27:06,760 --> 00:27:14,140
عندي مثلا عشرة ألف positive و
340
00:27:14,140 --> 00:27:22,600
تسعين ألف negative و لما عملت prediction اجى قال
341
00:27:22,600 --> 00:27:31,710
لي والله من العشر تلاف هدولأنا جبت تسعة ألف صح و
342
00:27:31,710 --> 00:27:46,110
ألف ما جبتهوش في المقابل هذا الألف صنفته هان أو
343
00:27:46,110 --> 00:27:49,210
بالأحرى قال لي أنا ما أخطأتش ولا حاجة هان أو خلينا
344
00:27:49,210 --> 00:27:54,910
نقول أخطأ اخطألي بألف هان و جابلي هان تمانين ألف
345
00:28:00,700 --> 00:28:08,680
فعليا ال accuracy تبعتي هتكون تسعة و تمانين الف
346
00:28:08,680 --> 00:28:15,680
على ميت
347
00:28:15,680 --> 00:28:20,300
الف صح فالنسبة تبعتي تسعة و تمانين في المية ال
348
00:28:20,300 --> 00:28:24,560
accuracy عالية
349
00:28:24,560 --> 00:28:29,040
و ممتازة و ما شاء الله عليها لكنهاتحمل في طياتها
350
00:28:29,040 --> 00:28:37,840
خطورة شديدة جدا مع من مع الناس هذول مع
351
00:28:37,840 --> 00:28:42,880
اللهان تماموبالتالي الـ Accuracy بطلت عندي مجديا
352
00:28:42,880 --> 00:28:45,400
لأن الـ 9.8 محدش يقول عن نسبة مخة في طلق بالعكس
353
00:28:45,400 --> 00:28:49,080
نسبة عالية لكنه في عندى مشكلة في ال evaluation
354
00:28:49,080 --> 00:28:52,980
تمام وبالتالي انا ممكن اصير ادور على شغل اسمها ال
355
00:28:52,980 --> 00:28:57,220
sensitivity الحساسية وطبعا هنا بتكلم على ال true
356
00:28:57,220 --> 00:29:02,960
positive rate ال true positive rate على اللي هي
357
00:29:02,960 --> 00:29:11,720
نسبة 9000 على العشرة ألفوكذلك في عندي ال
358
00:29:11,720 --> 00:29:18,900
specificity التخصيص اللي هي نسبة لل true negative
359
00:29:18,900 --> 00:29:23,960
rate جد عشان افصل انا هو ال accuracy بعد ما حصلت
360
00:29:23,960 --> 00:29:30,060
عليها مين كان فيه نسبته اعلى عشان اضيفه ومش بس هيك
361
00:29:30,060 --> 00:29:33,520
جالي ممكن انا اتكلم على other metrics وهذه الأهم
362
00:29:33,520 --> 00:29:39,120
اللي بنسميها احنا ال precision
363
00:29:44,430 --> 00:29:47,210
الـ Precision أو الـ Exactness هي عبارة عن الـ
364
00:29:47,210 --> 00:29:53,310
ratio لمجموعة التابلز
365
00:29:53,310 --> 00:29:58,630
ال classifier صنفهم على أنهم positive و هم فعليا
366
00:29:58,630 --> 00:30:03,190
positive نسبة
367
00:30:03,190 --> 00:30:07,070
ال labelled اللي جال عليها positive و هي فعليا
368
00:30:07,070 --> 00:30:09,810
positive على كل ال actual positive اللي موجودة
369
00:30:09,810 --> 00:30:12,390
عندها وين ال actual positive
370
00:30:18,800 --> 00:30:22,720
الـ actual هو اللي موجود في جامعة الخير في الأعمدة
371
00:30:22,720 --> 00:30:37,440
في العمود في الصفوف الآن ال true positive هي جل
372
00:30:37,440 --> 00:30:40,720
ال true positive على كل العناصر الصنافليها على
373
00:30:40,720 --> 00:30:44,220
إنها positive عشان أجيب نسبة ال actual positive
374
00:30:44,220 --> 00:30:49,230
الحقيقية اللي موجودة عندهاas positive are actually
375
00:30:49,230 --> 00:30:53,750
positive نسبة الـ positive الحقيقية فهنا لما أتكلم
376
00:30:53,750 --> 00:30:57,270
عن ال precision أو ال exactness بتكلم عليها عناصر
377
00:30:57,270 --> 00:31:02,330
الصل عمود الأول تمام لما باجي بتكلم علي ال recall
378
00:31:02,330 --> 00:31:07,550
أو ال completeness بتكلم فعليا على نسبة ال
379
00:31:07,550 --> 00:31:11,130
positive double واللي فعليا تم تصنيفها على إنها
380
00:31:11,130 --> 00:31:15,630
positive نسبة ال positive doubles اللي تصنفت على
381
00:31:15,630 --> 00:31:19,890
إنها positive بشكل صحيحوين الـ positive هي الصف
382
00:31:19,890 --> 00:31:24,810
الأول اللي
383
00:31:24,810 --> 00:31:29,090
احنا قلنا عليها sensitivity قبل لحظات وبالتالي الـ
384
00:31:29,090 --> 00:31:34,430
TB بتروح ال true
385
00:31:34,430 --> 00:31:39,550
positive على المجموع اللي موجود عندي ال TB و ال FN
386
00:31:39,550 --> 00:31:45,670
تمامماعندي الـ F ماعندي الـGalaxy بما أن في عندي
387
00:31:45,670 --> 00:31:50,730
الـPrecision و الـRecall هدولة متريكات مختلفة قال
388
00:31:50,730 --> 00:31:54,210
في ناس فكرت جالكس نعملهم combination ما بين
389
00:31:54,210 --> 00:32:00,350
الـPrecision و الـRecall في متريك واحد و سموه ليا
390
00:32:00,350 --> 00:32:08,530
الـF majorودمجونا فيه ال precision و ال recall
391
00:32:08,530 --> 00:32:12,710
وكان هو يساوي 2 ضرب ال precision ضرب ال recall على
392
00:32:12,710 --> 00:32:15,790
مجموع ال recall و ال precision أو بين قوسين هي ال
393
00:32:15,790 --> 00:32:20,730
F1 وهذا أنا باستخدمه لما عادة بفكر بالمقارنة ما
394
00:32:20,730 --> 00:32:24,740
بينTWO DIFFERENT CLASSIFIERS الان انا في عندى two
395
00:32:24,740 --> 00:32:27,500
different classifiers و بدى اقارن بين الأداء تبعهم
396
00:32:27,500 --> 00:32:30,740
واحد ممكن يتفكر بال accuracy ال accuracy ممكن تكون
397
00:32:30,740 --> 00:32:34,420
متساوية ما بين الاتنين مابيش ممكن اساوي ممكن اروح
398
00:32:34,420 --> 00:32:37,940
على اتجاه ال F مجار اللي انا ممكن تكون طبعا انتم
399
00:32:37,940 --> 00:32:41,770
ملاحظين يا جماعة الخيرالـ Recall و ال Precision و
400
00:32:41,770 --> 00:32:46,370
ال F Major
401
00:32:46,370 --> 00:32:53,370
هدول مرتبطين بال First Attribute يعني لو أنا قلتلك
402
00:32:53,370 --> 00:32:58,270
بدي ال F Major ل ال class التاني أو عفوا ال Recall
403
00:32:58,270 --> 00:33:02,690
ل ال class التاني ال class التاني هيه بتصير أنا
404
00:33:02,690 --> 00:33:06,230
بتتكلم على hand
405
00:33:08,770 --> 00:33:12,250
مجموعة الـ Recall True Positive هي لـ Class التاني
406
00:33:12,250 --> 00:33:16,750
هذه اللي بتمثل True Positive لل Class اللي موجودة
407
00:33:16,750 --> 00:33:22,250
عندي على عدد عناصر اللي هي على عدد الـ N على الـ N
408
00:33:22,250 --> 00:33:26,830
اللي موجودة عندها تمام؟ يعني هذه الشغله مرتبطه بال
409
00:33:26,830 --> 00:33:30,510
Class لو أنا الآن كان في عندي تلاتة في تلاتة
410
00:33:34,650 --> 00:33:38,150
المصفوفة تبعتي بنفس التوزيع لـ Prediction في
411
00:33:38,150 --> 00:33:41,190
الأعمدة و الـ Actual .. لـ Predicted في الأعمدة و
412
00:33:41,190 --> 00:33:44,830
الـ Actual في الصفورة و أنا الجيل قلت والله هاي ال
413
00:33:44,830 --> 00:33:50,230
values اللي عندي الان بدي ال precision عفوا عشان
414
00:33:50,230 --> 00:33:54,950
القانون ال recall بدي ال recall تبعتي التالت لسي
415
00:33:54,950 --> 00:33:59,830
تلاتة و ال true positive تبعت ال class تلاتة هيها
416
00:34:02,430 --> 00:34:09,630
هي فعليًا actually بتنتمي لـ C3 و الـ system جالب
417
00:34:09,630 --> 00:34:12,810
predicted as C3 فعليًا هذه الـ true positive ما
418
00:34:12,810 --> 00:34:18,030
دون ذلك الـ false negative هدولة تنتمي و بالتالي
419
00:34:18,030 --> 00:34:25,310
ال recall لـ C3 لو انا افترض ان هذه Y وهذه Z تساوي
420
00:34:25,310 --> 00:34:30,990
معناته ال recall لـ C3 بدها تساوي X
421
00:34:32,990 --> 00:34:40,490
على y زائد z زائد x اللي هي بجموع كل العناصر اللي
422
00:34:40,490 --> 00:34:45,250
موجودة عندي و طبعا y و z هم بمثله ال false
423
00:34:45,250 --> 00:34:49,670
positive أو عفوا ال false negative ل c3 طيب
424
00:34:49,670 --> 00:34:54,710
بالمثال خليني أخد مثال بالأرقامفي انها النتج الـ
425
00:34:54,710 --> 00:34:57,410
classifier اللي اشتغل على ال prediction للكانسر
426
00:34:57,410 --> 00:35:01,050
بتنبأ بالكانسر عدد الحالات اللي موجودة عندى انا
427
00:35:01,050 --> 00:35:07,330
الف حالة كان فعليا اشتغل اللي لما وزعناهم كانت
428
00:35:07,330 --> 00:35:13,250
عندي تسعين حالة كانوا yes و ال system عملهم
429
00:35:13,250 --> 00:35:19,320
prediction yesو 210 حالة و هم فعليا yes و ال
430
00:35:19,320 --> 00:35:24,500
system عملهم prediction no يعني 300 حالة ال 10,000
431
00:35:24,500 --> 00:35:31,420
حالة اللي عندى 300 حالة سرطان و 9700 غير سرطان او
432
00:35:31,420 --> 00:35:38,240
خلايا تضخم طبيعى غير سرطانى الان ملاحظين لو انا
433
00:35:38,240 --> 00:35:43,720
جيت حسبت ال accuracy ال accuracy 96في المية لأنها
434
00:35:43,720 --> 00:35:48,420
عبارة عن مجموعة تسعين زائد خمسة وتسعة تلاف وخمسمية
435
00:35:48,420 --> 00:35:54,280
وستين على عشرة ألف ال accuracy عالية جدا لكن اه لو
436
00:35:54,280 --> 00:35:59,380
نظرت في الموضوع لو فكرت احسب ال precision و ال
437
00:35:59,380 --> 00:36:05,260
recall لل cancer او لل class الأول لانديهان
438
00:36:05,260 --> 00:36:11,100
ملاحظين ال precision كدهالـ precision احنا قلنا هي
439
00:36:11,100 --> 00:36:15,980
عبارة عن ال exactness مظبوط فعليا جداش تنبأ بشكل
440
00:36:15,980 --> 00:36:21,160
او بشكل صحيح لل data اللي موجودة عندها وصار واضح
441
00:36:21,160 --> 00:36:29,160
الفرق قلنا 90 على 230 قلنا في ال precision بتكلم
442
00:36:29,160 --> 00:36:35,700
على عمود و لما اتكلم بال recall بتكلم وينعلى الصف
443
00:36:35,700 --> 00:36:43,340
صحيح عشان هيك 90 على 230 لـ precision و 90 على 300
444
00:36:43,340 --> 00:36:48,520
اللي هي ال recall اللي موجودة عندها لكن تخيل انه
445
00:36:48,520 --> 00:36:53,820
انا فعليا لو قعدت ترتيب العناصر في المصفوفة بحيث
446
00:36:53,820 --> 00:36:58,960
انه خلت ال target تبعتي No وقولت
447
00:36:58,960 --> 00:37:01,600
انا بدي احسب ال recall و ال precision لاحظوا ال
448
00:37:01,600 --> 00:37:05,530
accuracy ما اتغيرتشلكن انا عيد ترتيب الأعمد يعني
449
00:37:05,530 --> 00:37:07,930
برينج وستين صار اهتمامي هان highly true positive
450
00:37:07,930 --> 00:37:11,370
لاحظوا ان ال precision تبعتي جداش عالي صارت و ال
451
00:37:11,370 --> 00:37:14,910
recall تبعتي جداش على كل مقالة زي ما قولنا ال
452
00:37:14,910 --> 00:37:18,470
perfect value تبعتنا هان حكينا ان ال perfect او ال
453
00:37:18,470 --> 00:37:23,990
score is one كذلك مع ال precisionالـ perfect score
454
00:37:23,990 --> 00:37:28,290
هو 1 وبهكد انا بكون بدي اعمل evaluation لل classes
455
00:37:28,290 --> 00:37:31,650
اللي موجود عندها وبالتالي انا بدي انتبه دائما لل
456
00:37:31,650 --> 00:37:34,710
class اللي موجود بالنسبة لل code اللي له علاقة بال
457
00:37:34,710 --> 00:37:39,550
بايثونانا هنا روحت اعمل import لل data set كان
458
00:37:39,550 --> 00:37:43,970
المعتاد على نفس المثال السابق روحت اعمل import
459
00:37:43,970 --> 00:37:47,210
عشان اعمل split لل data set والمفروض ان انتوا هاي
460
00:37:47,210 --> 00:37:51,590
جربتوها من خلال ال assignment اللي سلمته فانا حصلت
461
00:37:51,590 --> 00:37:55,850
على ال training set اللي هنا من خلال ال split هذه
462
00:37:55,850 --> 00:37:59,790
train test split جسمتلي او ادتني نتيجة ادتني four
463
00:37:59,790 --> 00:38:05,010
different set ال X train و ال label تبعتها
464
00:38:08,770 --> 00:38:17,890
الـ Y لليابيل و X للattributes و ال test text test
465
00:38:17,890 --> 00:38:21,470
و ال Y test طبعا قلت له هان تلاتين في المية نسبة
466
00:38:21,470 --> 00:38:25,010
ال test تلاتين في المية و طبعا هضل الباجي لليترين
467
00:38:26,020 --> 00:38:29,600
من الـ target data و استدعيت ناييف بايسين على سبيل
468
00:38:29,600 --> 00:38:36,180
المثال و روحت و قلت جوسان ناييف بايسين استدعيت ال
469
00:38:36,180 --> 00:38:40,460
constructor قلتله روح بنيت model و قلتله اعمل fit
470
00:38:40,460 --> 00:38:46,280
اللي بتعمل hand training وقلنا
471
00:38:46,280 --> 00:38:53,000
في ناييف بايسين بروح ببنيني جدول الاحتمالاتبعد ذلك
472
00:38:53,000 --> 00:38:59,860
قمت بالتفكير في مجموع يسميته Y-predict هذا هو
473
00:38:59,860 --> 00:39:05,200
النتائج الـ model.predict ودّيته X test بالكامل
474
00:39:05,200 --> 00:39:09,840
لاحظت أنني سميتها Y-predict أنا عندي ال test هي ال
475
00:39:09,840 --> 00:39:14,020
label تباعتها موجودة هنا Y-test فروحت وحصلت عليها
476
00:39:14,020 --> 00:39:17,280
تمام صارت في عندي الـ predicted وصارت عندي موجود
477
00:39:17,280 --> 00:39:22,560
من ال actual label فالانأنا قاعد بقى أشتغل روحت
478
00:39:22,560 --> 00:39:25,980
عملت import بدي أجيب ال matrix from ASCII layer
479
00:39:25,980 --> 00:39:29,080
import ال matrix و ال matrix هي فيها كل حاجة فيها
480
00:39:29,080 --> 00:39:32,440
ال accuracy score و طبعا كل ال method في ال matrix
481
00:39:32,440 --> 00:39:36,960
بدها مني ال y predicted و ال y test ال y test هي
482
00:39:36,960 --> 00:39:40,840
موجودة أنا حصلت اللي هي فعليا ال actual و ال y
483
00:39:40,840 --> 00:39:43,600
predicted هي الموجودة عندها فلما أنا قلتله ال
484
00:39:43,600 --> 00:39:46,300
accuracy score ده نسبة ال confusion matrix طبع
485
00:39:46,300 --> 00:39:49,560
ليها و ال classifier او ال classification report
486
00:39:50,850 --> 00:39:55,090
بتدين الأفمجة و ال precision و ال recall لكل class
487
00:39:55,090 --> 00:40:00,790
موجود عندي و هيك نهينا أو ختمنا chapter لل
488
00:40:00,790 --> 00:40:04,470
classification بتمنى تكون الشروحات واضحة إذا في أي
489
00:40:04,470 --> 00:40:08,450
استفسار لازم يكون من خلال ال model أو ال forum
490
00:40:08,450 --> 00:40:12,450
اللي موجود عندي هنا أخر شغلة مطلوب منها ال
491
00:40:12,450 --> 00:40:16,190
assignment البسيط هذا ال assignment هذا بدو يعمل
492
00:40:16,190 --> 00:40:18,650
مقارنة بين three different classifiers
493
00:40:21,320 --> 00:40:26,020
أخذنا أربعة classifiers كي نتعرف على الـ K-nearest
494
00:40:26,020 --> 00:40:28,500
neighbour، الـ Naive bison، الـ decision tree و
495
00:40:28,500 --> 00:40:31,840
الـ Multilayer Perceptron الـ classifier اللي هو
496
00:40:31,840 --> 00:40:34,860
تبع الـ neural network وأنا بدي أقارن بينهم بناء
497
00:40:34,860 --> 00:40:39,170
على الـ accuracyالـ Precision الـ Recall والـ F
498
00:40:39,170 --> 00:40:43,310
major طبعا انت عندك او انت عندك كل عندك data set
499
00:40:43,310 --> 00:40:47,950
لل classification بدك تطبق ال different classifier
500
00:40:47,950 --> 00:40:52,230
هدول على نفس ال data set على نفس ال data set و
501
00:40:52,230 --> 00:40:55,030
تقارن ما بين ال accuracy و ال precision و ال
502
00:40:55,030 --> 00:40:59,480
recall و ال F major طبعا بقى تزودنيبالـ python
503
00:40:59,480 --> 00:41:02,200
code اللي انت اعتمدت عليه أو اللي انت اعتمدت عليه
504
00:41:02,200 --> 00:41:04,620
طبعا الشغل individual يا جماعة الخير مش groups
505
00:41:04,620 --> 00:41:08,960
ممكن تتشاوروا تعملوا discussion مع بعض لاحقا لكن
506
00:41:08,960 --> 00:41:13,140
انت هتسلموني الشغل اللي هتسلموني هي شغلتين الأولى
507
00:41:13,140 --> 00:41:17,000
ال python code اللي موجود اتنين بالاضافة ل report
508
00:41:17,000 --> 00:41:20,440
عن ال experiment اللي انت اشتغلتها او اللي انت
509
00:41:20,440 --> 00:41:24,160
اشتغلتيها ال experiment اللي بيقولي شو .. شو اللي
510
00:41:24,160 --> 00:41:26,920
.. على سبيل المثال اللي اشتغل كي nearest neighbor
511
00:41:27,690 --> 00:41:31,070
جدّاش ال key اللي اعتمدها 4 و لا 5 و لا 7 و لا 8
512
00:41:31,070 --> 00:41:35,350
لما اشتغلنا على نية decision tree استخدمت ال
513
00:41:35,350 --> 00:41:38,110
information gene و لا استخدمت ال gene ال
514
00:41:38,110 --> 00:41:41,130
multilayer receptor لما انت استخدمته جدّاش عدد ال
515
00:41:41,130 --> 00:41:44,950
input neuron تبعتك يعني بديت تبولوجي وهانبه توضح
516
00:41:44,950 --> 00:41:47,950
لي توصف ال experiment تبعتك و النتيجة اللي طلعت
517
00:41:47,950 --> 00:41:51,710
طبعا لأ اخفيكوا انها كانت المفروض تسلم الأسبوع
518
00:41:51,710 --> 00:41:59,020
الماضيلكن قدر الله و ما شاء افعل الان انا هحمل و
519
00:41:59,020 --> 00:42:03,640
هحط ال assignment على ال model و بتمنى انكوا
520
00:42:03,640 --> 00:42:07,580
تشتغلوا و تسلموا و ربنا يكتبلكوا السلامة و العافية
521
00:42:07,580 --> 00:42:12,340
دائما انتم و أهليكم أجمعين و السلام عليكم و رحمة
522
00:42:12,340 --> 00:42:14,080
الله و بركاته