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 --> 00:24:12,280
فالس نيجاتيف فالس نيجاتيف فالس نيجاتيف فالس

302
00:24:12,280 --> 00:24:13,540
نيجاتيف فالس نيجاتيف فالس نيجاتيف فالس نيجاتيف

303
00:24:13,540 --> 00:24:16,920
فالس نيجاتيف فالس نيجاتيف فالس نيجاتيف فالس

304
00:24:16,920 --> 00:24:25,260
نيجاتيف فالس نيجاتيف فالهذا الكلام الـ Accuracy

305
00:24:25,260 --> 00:24:31,800
ممتازة في حالة ان العناصر او ال class is balanced

306
00:24:31,800 --> 00:24:35,300
يعني بنجوسين سبعة و تمانية جرب من بعض خمسين و

307
00:24:35,300 --> 00:24:40,020
خمسين تلاتين تلاتين تلاتين او خمسين خمسين خمسين في

308
00:24:40,020 --> 00:24:43,500
حالة ال IRIS data setالـ Balance بين ال classes

309
00:24:43,500 --> 00:24:47,680
موجودة لكن فعلياً لما انا بتكلم على ال diseases أو

310
00:24:47,680 --> 00:24:51,060
في اللي بتكلم على ال fraud detection عمليات النصب

311
00:24:51,060 --> 00:24:55,620
في وضعات الاهتمام ال classes in balance شو يعني in

312
00:24:55,620 --> 00:24:58,480
balance انه عدد ال elements في الكلة و عدد ال rows

313
00:24:58,480 --> 00:25:05,320
مع كل class غير متساوية طبعا أجيب المثال أوضح الله

314
00:25:05,320 --> 00:25:09,100
يعافيكم كم مرة وأهليكم جميعا لأن كم واحد بنعمله

315
00:25:09,100 --> 00:25:15,010
فحص كورونا حول العالممئات الألف عشرات الألف بلاش

316
00:25:15,010 --> 00:25:19,370
مئات الألف كام واحد بتثبت معاه الحالة أقل كتير

317
00:25:19,370 --> 00:25:26,350
وبالتالي عدد ال negative أكبر كتير من عدد ال

318
00:25:26,350 --> 00:25:32,210
positive ممتاز طب لو أنا سألت سؤال مين أختار؟ واحد

319
00:25:32,210 --> 00:25:35,490
ماعهوش فيروس وقال لل system لأ ان هذا عنده فيروس

320
00:25:35,490 --> 00:25:41,760
كورونا ولا واحد عنده فيروس كورونا وال systemقال له

321
00:25:41,760 --> 00:25:48,480
إنه ما عندهوش شو رايكوا؟ يعني نسبة الخطأ مع ال

322
00:25:48,480 --> 00:25:50,960
positive ولا الخطأ مع ال negative هي الأخطر

323
00:25:50,960 --> 00:25:55,820
بالنسبة لنا كلامك صح أو كلامك صح الآن لأنه احنا

324
00:25:55,820 --> 00:26:01,240
فعليا لما أخطأ ال system وقال له إنه هذا negative

325
00:26:02,050 --> 00:26:06,030
false negative كانت مصيبة بالنسبة لي لأن هذا

326
00:26:06,030 --> 00:26:10,150
الإنسان سيخلق

327
00:26:10,150 --> 00:26:13,490
الناس وبالتالي المرض سينتشر لأنه مش معنى ونهيك عن

328
00:26:13,490 --> 00:26:17,650
الأضرار الصحية اللي حدث معاه لكن لو واحد negative

329
00:26:17,650 --> 00:26:21,290
ماعندوش المرض و ال system قال إنه عنده المرض إيش

330
00:26:21,290 --> 00:26:24,990
هناخده؟ هناخده نحطه في ال health care أو في الحجر

331
00:26:24,990 --> 00:26:30,540
الحجر الصحي و بعدين ندي عناية صحية حسب حالتهفي ضرر

332
00:26:30,540 --> 00:26:34,180
في الموضوع حتما مافيش ضرر وبالتالي لما بكون في ال

333
00:26:34,180 --> 00:26:39,220
class imbalance ال accuracy تبعتي مش صحيحة، ليش؟

334
00:26:39,220 --> 00:26:43,200
او بتبقى العفوان غير معدرة بشكل صحيح لأن لو تخيلت

335
00:26:43,200 --> 00:26:51,820
ان هنا انا عدد العناصر بدي اشتغل هيك ان عدد

336
00:26:51,820 --> 00:26:54,260
العناصر اللي انا بدي افحصها 100 ألف

337
00:26:58,340 --> 00:27:06,760
وفعليا او ال data set تبعتي للهيئة كلها كان في

338
00:27:06,760 --> 00:27:14,140
عندي مثلا عشرة ألف positive و

339
00:27:14,140 --> 00:27:22,600
تسعين ألف negative و لما عملت prediction اجى قال

340
00:27:22,600 --> 00:27:31,710
لي والله من العشر تلاف هدولأنا جبت تسعة ألف صح و

341
00:27:31,710 --> 00:27:46,110
ألف ما جبتهوش في المقابل هذا الألف صنفته هان أو

342
00:27:46,110 --> 00:27:49,210
بالأحرى قال لي أنا ما أخطأتش ولا حاجة هان أو خلينا

343
00:27:49,210 --> 00:27:54,910
نقول أخطأ اخطألي بألف هان و جابلي هان تمانين ألف

344
00:28:00,700 --> 00:28:08,680
فعليا ال accuracy تبعتي هتكون تسعة و تمانين الف

345
00:28:08,680 --> 00:28:15,680
على ميت

346
00:28:15,680 --> 00:28:20,300
الف صح فالنسبة تبعتي تسعة و تمانين في المية ال

347
00:28:20,300 --> 00:28:24,560
accuracy عالية

348
00:28:24,560 --> 00:28:29,040
و ممتازة و ما شاء الله عليها لكنهاتحمل في طياتها

349
00:28:29,040 --> 00:28:37,840
خطورة شديدة جدا مع من مع الناس هذول مع

350
00:28:37,840 --> 00:28:42,880
اللهان تماموبالتالي الـ Accuracy بطلت عندي مجديا

351
00:28:42,880 --> 00:28:45,400
لأن الـ 9.8 محدش يقول عن نسبة مخة في طلق بالعكس

352
00:28:45,400 --> 00:28:49,080
نسبة عالية لكنه في عندى مشكلة في ال evaluation

353
00:28:49,080 --> 00:28:52,980
تمام وبالتالي انا ممكن اصير ادور على شغل اسمها ال

354
00:28:52,980 --> 00:28:57,220
sensitivity الحساسية وطبعا هنا بتكلم على ال true

355
00:28:57,220 --> 00:29:02,960
positive rate ال true positive rate على اللي هي

356
00:29:02,960 --> 00:29:11,720
نسبة 9000 على العشرة ألفوكذلك في عندي ال

357
00:29:11,720 --> 00:29:18,900
specificity التخصيص اللي هي نسبة لل true negative

358
00:29:18,900 --> 00:29:23,960
rate جد عشان افصل انا هو ال accuracy بعد ما حصلت

359
00:29:23,960 --> 00:29:30,060
عليها مين كان فيه نسبته اعلى عشان اضيفه ومش بس هيك

360
00:29:30,060 --> 00:29:33,520
جالي ممكن انا اتكلم على other metrics وهذه الأهم

361
00:29:33,520 --> 00:29:39,120
اللي بنسميها احنا ال precision

362
00:29:44,430 --> 00:29:47,210
الـ Precision أو الـ Exactness هي عبارة عن الـ

363
00:29:47,210 --> 00:29:53,310
ratio لمجموعة التابلز

364
00:29:53,310 --> 00:29:58,630
ال classifier صنفهم على أنهم positive و هم فعليا

365
00:29:58,630 --> 00:30:03,190
positive نسبة

366
00:30:03,190 --> 00:30:07,070
ال labelled اللي جال عليها positive و هي فعليا

367
00:30:07,070 --> 00:30:09,810
positive على كل ال actual positive اللي موجودة

368
00:30:09,810 --> 00:30:12,390
عندها وين ال actual positive

369
00:30:18,800 --> 00:30:22,720
الـ actual هو اللي موجود في جامعة الخير في الأعمدة

370
00:30:22,720 --> 00:30:37,440
في العمود في الصفوف الآن ال true positive هي جل

371
00:30:37,440 --> 00:30:40,720
ال true positive على كل العناصر الصنافليها على

372
00:30:40,720 --> 00:30:44,220
إنها positive عشان أجيب نسبة ال actual positive

373
00:30:44,220 --> 00:30:49,230
الحقيقية اللي موجودة عندهاas positive are actually

374
00:30:49,230 --> 00:30:53,750
positive نسبة الـ positive الحقيقية فهنا لما أتكلم

375
00:30:53,750 --> 00:30:57,270
عن ال precision أو ال exactness بتكلم عليها عناصر

376
00:30:57,270 --> 00:31:02,330
الصل عمود الأول تمام لما باجي بتكلم علي ال recall

377
00:31:02,330 --> 00:31:07,550
أو ال completeness بتكلم فعليا على نسبة ال

378
00:31:07,550 --> 00:31:11,130
positive double واللي فعليا تم تصنيفها على إنها

379
00:31:11,130 --> 00:31:15,630
positive نسبة ال positive doubles اللي تصنفت على

380
00:31:15,630 --> 00:31:19,890
إنها positive بشكل صحيحوين الـ positive هي الصف

381
00:31:19,890 --> 00:31:24,810
الأول اللي

382
00:31:24,810 --> 00:31:29,090
احنا قلنا عليها sensitivity قبل لحظات وبالتالي الـ

383
00:31:29,090 --> 00:31:34,430
TB بتروح ال true

384
00:31:34,430 --> 00:31:39,550
positive على المجموع اللي موجود عندي ال TB و ال FN

385
00:31:39,550 --> 00:31:45,670
تمامماعندي الـ F ماعندي الـGalaxy بما أن في عندي

386
00:31:45,670 --> 00:31:50,730
الـPrecision و الـRecall هدولة متريكات مختلفة قال

387
00:31:50,730 --> 00:31:54,210
في ناس فكرت جالكس نعملهم combination ما بين

388
00:31:54,210 --> 00:32:00,350
الـPrecision و الـRecall في متريك واحد و سموه ليا

389
00:32:00,350 --> 00:32:08,530
الـF majorودمجونا فيه ال precision و ال recall

390
00:32:08,530 --> 00:32:12,710
وكان هو يساوي 2 ضرب ال precision ضرب ال recall على

391
00:32:12,710 --> 00:32:15,790
مجموع ال recall و ال precision أو بين قوسين هي ال

392
00:32:15,790 --> 00:32:20,730
F1 وهذا أنا باستخدمه لما عادة بفكر بالمقارنة ما

393
00:32:20,730 --> 00:32:24,740
بينTWO DIFFERENT CLASSIFIERS الان انا في عندى two

394
00:32:24,740 --> 00:32:27,500
different classifiers و بدى اقارن بين الأداء تبعهم

395
00:32:27,500 --> 00:32:30,740
واحد ممكن يتفكر بال accuracy ال accuracy ممكن تكون

396
00:32:30,740 --> 00:32:34,420
متساوية ما بين الاتنين مابيش ممكن اساوي ممكن اروح

397
00:32:34,420 --> 00:32:37,940
على اتجاه ال F مجار اللي انا ممكن تكون طبعا انتم

398
00:32:37,940 --> 00:32:41,770
ملاحظين يا جماعة الخيرالـ Recall و ال Precision و

399
00:32:41,770 --> 00:32:46,370
ال F Major

400
00:32:46,370 --> 00:32:53,370
هدول مرتبطين بال First Attribute يعني لو أنا قلتلك

401
00:32:53,370 --> 00:32:58,270
بدي ال F Major ل ال class التاني أو عفوا ال Recall

402
00:32:58,270 --> 00:33:02,690
ل ال class التاني ال class التاني هيه بتصير أنا

403
00:33:02,690 --> 00:33:06,230
بتتكلم على hand

404
00:33:08,770 --> 00:33:12,250
مجموعة الـ Recall True Positive هي لـ Class التاني

405
00:33:12,250 --> 00:33:16,750
هذه اللي بتمثل True Positive لل Class اللي موجودة

406
00:33:16,750 --> 00:33:22,250
عندي على عدد عناصر اللي هي على عدد الـ N على الـ N

407
00:33:22,250 --> 00:33:26,830
اللي موجودة عندها تمام؟ يعني هذه الشغله مرتبطه بال

408
00:33:26,830 --> 00:33:30,510
Class لو أنا الآن كان في عندي تلاتة في تلاتة

409
00:33:34,650 --> 00:33:38,150
المصفوفة تبعتي بنفس التوزيع لـ Prediction في

410
00:33:38,150 --> 00:33:41,190
الأعمدة و الـ Actual .. لـ Predicted في الأعمدة و

411
00:33:41,190 --> 00:33:44,830
الـ Actual في الصفورة و أنا الجيل قلت والله هاي ال

412
00:33:44,830 --> 00:33:50,230
values اللي عندي الان بدي ال precision عفوا عشان

413
00:33:50,230 --> 00:33:54,950
القانون ال recall بدي ال recall تبعتي التالت لسي

414
00:33:54,950 --> 00:33:59,830
تلاتة و ال true positive تبعت ال class تلاتة هيها

415
00:34:02,430 --> 00:34:09,630
هي فعليًا actually بتنتمي لـ C3 و الـ system جالب

416
00:34:09,630 --> 00:34:12,810
predicted as C3 فعليًا هذه الـ true positive ما

417
00:34:12,810 --> 00:34:18,030
دون ذلك الـ false negative هدولة تنتمي و بالتالي

418
00:34:18,030 --> 00:34:25,310
ال recall لـ C3 لو انا افترض ان هذه Y وهذه Z تساوي

419
00:34:25,310 --> 00:34:30,990
معناته ال recall لـ C3 بدها تساوي X

420
00:34:32,990 --> 00:34:40,490
على y زائد z زائد x اللي هي بجموع كل العناصر اللي

421
00:34:40,490 --> 00:34:45,250
موجودة عندي و طبعا y و z هم بمثله ال false

422
00:34:45,250 --> 00:34:49,670
positive أو عفوا ال false negative ل c3 طيب

423
00:34:49,670 --> 00:34:54,710
بالمثال خليني أخد مثال بالأرقامفي انها النتج الـ

424
00:34:54,710 --> 00:34:57,410
classifier اللي اشتغل على ال prediction للكانسر

425
00:34:57,410 --> 00:35:01,050
بتنبأ بالكانسر عدد الحالات اللي موجودة عندى انا

426
00:35:01,050 --> 00:35:07,330
الف حالة كان فعليا اشتغل اللي لما وزعناهم كانت

427
00:35:07,330 --> 00:35:13,250
عندي تسعين حالة كانوا yes و ال system عملهم

428
00:35:13,250 --> 00:35:19,320
prediction yesو 210 حالة و هم فعليا yes و ال

429
00:35:19,320 --> 00:35:24,500
system عملهم prediction no يعني 300 حالة ال 10,000

430
00:35:24,500 --> 00:35:31,420
حالة اللي عندى 300 حالة سرطان و 9700 غير سرطان او

431
00:35:31,420 --> 00:35:38,240
خلايا تضخم طبيعى غير سرطانى الان ملاحظين لو انا

432
00:35:38,240 --> 00:35:43,720
جيت حسبت ال accuracy ال accuracy 96في المية لأنها

433
00:35:43,720 --> 00:35:48,420
عبارة عن مجموعة تسعين زائد خمسة وتسعة تلاف وخمسمية

434
00:35:48,420 --> 00:35:54,280
وستين على عشرة ألف ال accuracy عالية جدا لكن اه لو

435
00:35:54,280 --> 00:35:59,380
نظرت في الموضوع لو فكرت احسب ال precision و ال

436
00:35:59,380 --> 00:36:05,260
recall لل cancer او لل class الأول لانديهان

437
00:36:05,260 --> 00:36:11,100
ملاحظين ال precision كدهالـ precision احنا قلنا هي

438
00:36:11,100 --> 00:36:15,980
عبارة عن ال exactness مظبوط فعليا جداش تنبأ بشكل

439
00:36:15,980 --> 00:36:21,160
او بشكل صحيح لل data اللي موجودة عندها وصار واضح

440
00:36:21,160 --> 00:36:29,160
الفرق قلنا 90 على 230 قلنا في ال precision بتكلم

441
00:36:29,160 --> 00:36:35,700
على عمود و لما اتكلم بال recall بتكلم وينعلى الصف

442
00:36:35,700 --> 00:36:43,340
صحيح عشان هيك 90 على 230 لـ precision و 90 على 300

443
00:36:43,340 --> 00:36:48,520
اللي هي ال recall اللي موجودة عندها لكن تخيل انه

444
00:36:48,520 --> 00:36:53,820
انا فعليا لو قعدت ترتيب العناصر في المصفوفة بحيث

445
00:36:53,820 --> 00:36:58,960
انه خلت ال target تبعتي No وقولت

446
00:36:58,960 --> 00:37:01,600
انا بدي احسب ال recall و ال precision لاحظوا ال

447
00:37:01,600 --> 00:37:05,530
accuracy ما اتغيرتشلكن انا عيد ترتيب الأعمد يعني

448
00:37:05,530 --> 00:37:07,930
برينج وستين صار اهتمامي هان highly true positive

449
00:37:07,930 --> 00:37:11,370
لاحظوا ان ال precision تبعتي جداش عالي صارت و ال

450
00:37:11,370 --> 00:37:14,910
recall تبعتي جداش على كل مقالة زي ما قولنا ال

451
00:37:14,910 --> 00:37:18,470
perfect value تبعتنا هان حكينا ان ال perfect او ال

452
00:37:18,470 --> 00:37:23,990
score is one كذلك مع ال precisionالـ perfect score

453
00:37:23,990 --> 00:37:28,290
هو 1 وبهكد انا بكون بدي اعمل evaluation لل classes

454
00:37:28,290 --> 00:37:31,650
اللي موجود عندها وبالتالي انا بدي انتبه دائما لل

455
00:37:31,650 --> 00:37:34,710
class اللي موجود بالنسبة لل code اللي له علاقة بال

456
00:37:34,710 --> 00:37:39,550
بايثونانا هنا روحت اعمل import لل data set كان

457
00:37:39,550 --> 00:37:43,970
المعتاد على نفس المثال السابق روحت اعمل import

458
00:37:43,970 --> 00:37:47,210
عشان اعمل split لل data set والمفروض ان انتوا هاي

459
00:37:47,210 --> 00:37:51,590
جربتوها من خلال ال assignment اللي سلمته فانا حصلت

460
00:37:51,590 --> 00:37:55,850
على ال training set اللي هنا من خلال ال split هذه

461
00:37:55,850 --> 00:37:59,790
train test split جسمتلي او ادتني نتيجة ادتني four

462
00:37:59,790 --> 00:38:05,010
different set ال X train و ال label تبعتها

463
00:38:08,770 --> 00:38:17,890
الـ Y لليابيل و X للattributes و ال test text test

464
00:38:17,890 --> 00:38:21,470
و ال Y test طبعا قلت له هان تلاتين في المية نسبة

465
00:38:21,470 --> 00:38:25,010
ال test تلاتين في المية و طبعا هضل الباجي لليترين

466
00:38:26,020 --> 00:38:29,600
من الـ target data و استدعيت ناييف بايسين على سبيل

467
00:38:29,600 --> 00:38:36,180
المثال و روحت و قلت جوسان ناييف بايسين استدعيت ال

468
00:38:36,180 --> 00:38:40,460
constructor قلتله روح بنيت model و قلتله اعمل fit

469
00:38:40,460 --> 00:38:46,280
اللي بتعمل hand training وقلنا

470
00:38:46,280 --> 00:38:53,000
في ناييف بايسين بروح ببنيني جدول الاحتمالاتبعد ذلك

471
00:38:53,000 --> 00:38:59,860
قمت بالتفكير في مجموع يسميته Y-predict هذا هو

472
00:38:59,860 --> 00:39:05,200
النتائج الـ model.predict ودّيته X test بالكامل

473
00:39:05,200 --> 00:39:09,840
لاحظت أنني سميتها Y-predict أنا عندي ال test هي ال

474
00:39:09,840 --> 00:39:14,020
label تباعتها موجودة هنا Y-test فروحت وحصلت عليها

475
00:39:14,020 --> 00:39:17,280
تمام صارت في عندي الـ predicted وصارت عندي موجود

476
00:39:17,280 --> 00:39:22,560
من ال actual label فالانأنا قاعد بقى أشتغل روحت

477
00:39:22,560 --> 00:39:25,980
عملت import بدي أجيب ال matrix from ASCII layer

478
00:39:25,980 --> 00:39:29,080
import ال matrix و ال matrix هي فيها كل حاجة فيها

479
00:39:29,080 --> 00:39:32,440
ال accuracy score و طبعا كل ال method في ال matrix

480
00:39:32,440 --> 00:39:36,960
بدها مني ال y predicted و ال y test ال y test هي

481
00:39:36,960 --> 00:39:40,840
موجودة أنا حصلت اللي هي فعليا ال actual و ال y

482
00:39:40,840 --> 00:39:43,600
predicted هي الموجودة عندها فلما أنا قلتله ال

483
00:39:43,600 --> 00:39:46,300
accuracy score ده نسبة ال confusion matrix طبع

484
00:39:46,300 --> 00:39:49,560
ليها و ال classifier او ال classification report

485
00:39:50,850 --> 00:39:55,090
بتدين الأفمجة و ال precision و ال recall لكل class

486
00:39:55,090 --> 00:40:00,790
موجود عندي و هيك نهينا أو ختمنا chapter لل

487
00:40:00,790 --> 00:40:04,470
classification بتمنى تكون الشروحات واضحة إذا في أي

488
00:40:04,470 --> 00:40:08,450
استفسار لازم يكون من خلال ال model أو ال forum

489
00:40:08,450 --> 00:40:12,450
اللي موجود عندي هنا أخر شغلة مطلوب منها ال

490
00:40:12,450 --> 00:40:16,190
assignment البسيط هذا ال assignment هذا بدو يعمل

491
00:40:16,190 --> 00:40:18,650
مقارنة بين three different classifiers

492
00:40:21,320 --> 00:40:26,020
أخذنا أربعة classifiers كي نتعرف على الـ K-nearest

493
00:40:26,020 --> 00:40:28,500
neighbour، الـ Naive bison، الـ decision tree و

494
00:40:28,500 --> 00:40:31,840
الـ Multilayer Perceptron الـ classifier اللي هو

495
00:40:31,840 --> 00:40:34,860
تبع الـ neural network وأنا بدي أقارن بينهم بناء

496
00:40:34,860 --> 00:40:39,170
على الـ accuracyالـ Precision الـ Recall والـ F

497
00:40:39,170 --> 00:40:43,310
major طبعا انت عندك او انت عندك كل عندك data set

498
00:40:43,310 --> 00:40:47,950
لل classification بدك تطبق ال different classifier

499
00:40:47,950 --> 00:40:52,230
هدول على نفس ال data set على نفس ال data set و

500
00:40:52,230 --> 00:40:55,030
تقارن ما بين ال accuracy و ال precision و ال

501
00:40:55,030 --> 00:40:59,480
recall و ال F major طبعا بقى تزودنيبالـ python

502
00:40:59,480 --> 00:41:02,200
code اللي انت اعتمدت عليه أو اللي انت اعتمدت عليه

503
00:41:02,200 --> 00:41:04,620
طبعا الشغل individual يا جماعة الخير مش groups

504
00:41:04,620 --> 00:41:08,960
ممكن تتشاوروا تعملوا discussion مع بعض لاحقا لكن

505
00:41:08,960 --> 00:41:13,140
انت هتسلموني الشغل اللي هتسلموني هي شغلتين الأولى

506
00:41:13,140 --> 00:41:17,000
ال python code اللي موجود اتنين بالاضافة ل report

507
00:41:17,000 --> 00:41:20,440
عن ال experiment اللي انت اشتغلتها او اللي انت

508
00:41:20,440 --> 00:41:24,160
اشتغلتيها ال experiment اللي بيقولي شو .. شو اللي

509
00:41:24,160 --> 00:41:26,920
.. على سبيل المثال اللي اشتغل كي nearest neighbor

510
00:41:27,690 --> 00:41:31,070
جدّاش ال key اللي اعتمدها 4 و لا 5 و لا 7 و لا 8

511
00:41:31,070 --> 00:41:35,350
لما اشتغلنا على نية decision tree استخدمت ال

512
00:41:35,350 --> 00:41:38,110
information gene و لا استخدمت ال gene ال

513
00:41:38,110 --> 00:41:41,130
multilayer receptor لما انت استخدمته جدّاش عدد ال

514
00:41:41,130 --> 00:41:44,950
input neuron تبعتك يعني بديت تبولوجي وهانبه توضح

515
00:41:44,950 --> 00:41:47,950
لي توصف ال experiment تبعتك و النتيجة اللي طلعت

516
00:41:47,950 --> 00:41:51,710
طبعا لأ اخفيكوا انها كانت المفروض تسلم الأسبوع

517
00:41:51,710 --> 00:41:59,020
الماضيلكن قدر الله و ما شاء افعل الان انا هحمل و

518
00:41:59,020 --> 00:42:03,640
هحط ال assignment على ال model و بتمنى انكوا

519
00:42:03,640 --> 00:42:07,580
تشتغلوا و تسلموا و ربنا يكتبلكوا السلامة و العافية

520
00:42:07,580 --> 00:42:12,340
دائما انتم و أهليكم أجمعين و السلام عليكم و رحمة

521
00:42:12,340 --> 00:42:14,080
الله و بركاته