|
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 |
|
|
|
|