PL9fwy3NUQKwYNuAEg27anya7EYamnohGd/9DgNoAZTwqg_postprocess.srt

1
00:00:04,520 --> 00:00:06,480
بسم الله الرحمن الرحيم الصلاة والسلام على رسول

2
00:00:06,480 --> 00:00:11,160
الله أهلا وسهلا بكم في لقاءة من جديد من لقاءات

3
00:00:11,160 --> 00:00:16,280
مساقة تنقيب البيانات وان شاء الله اليوم سأتكلم

4
00:00:16,280 --> 00:00:21,680
معاكم عن .. سأشتغل معاكم عملي زي ما أشتغلت في الـ

5
00:00:21,680 --> 00:00:25,520
preprocessing سأعمل فيديو قصير عن ال

6
00:00:25,520 --> 00:00:28,120
classification وماذا أريد أن أفعل في عمل ال

7
00:00:28,120 --> 00:00:32,800
classificationوحشكل على الكجل كـ Environment ممكن

8
00:00:32,800 --> 00:00:37,740
أنتم تستخدموها في موضوع الـ Data Mining أو الـ

9
00:00:37,740 --> 00:00:41,800
Data Science وحاجات كتفي فقط بـ Classifier راحل

10
00:00:41,800 --> 00:00:44,920
والـ Classifier هذا له خصوصية شوية ضمن كل فيديو

11
00:00:44,920 --> 00:00:48,040
هذه ساعدكم في فهم أو في عمل الواجب بشكل صحيح

12
00:00:48,040 --> 00:00:52,300
تمضبنكم في الواجب تستخدموا ال data set تبعكم

13
00:00:52,300 --> 00:00:57,290
وتقارنوا ال performance تبع ال three classifiersمن

14
00:00:57,290 --> 00:01:02,050
أربعة احنا خدنا الـ Canary Sniper والـ Naive Bison

15
00:01:02,050 --> 00:01:04,890
والـ Neural Network والـ Decision Tree هدول

16
00:01:04,890 --> 00:01:07,650
الأربعة انا شرحتهم في تسجيلات السابقة المضمون انكم

17
00:01:07,650 --> 00:01:10,210
تختاروا التلاتة و تطبقوهم على ال data set اللي

18
00:01:10,210 --> 00:01:15,770
موجودة عندكم، الآن انا شاء الله تعالى هبدأ اعمل

19
00:01:15,770 --> 00:01:19,160
sharing للشاشة اللي موجودة عندهاأحاول في الفيديو

20
00:01:19,160 --> 00:01:23,460
أنتقل لموضوع الـ Sharing وأتكلم على الـ Data Set

21
00:01:23,460 --> 00:01:29,580
أو على الـ Element اللي أنا .. البرنامج

22
00:01:29,580 --> 00:01:35,640
اللي أنا بدأ أشتغل عليه بداية خليني أنا أروح أعمل

23
00:01:35,640 --> 00:01:40,900
Share للـ Desktop هي

24
00:01:40,900 --> 00:01:44,300
Share للـ Desktop بالكامل وبعد التسجيل المفروض للـ

25
00:01:44,300 --> 00:01:45,700
Desktop وأنا الآن

26
00:02:07,030 --> 00:02:12,390
بسم الله هيالكاجل.com أنا أيه الحساب على الكاجل؟

27
00:02:12,600 --> 00:02:16,280
اللي انشأته من تبقى الإحساب آخر لكن هذا أنا أنشأته

28
00:02:16,280 --> 00:02:25,400
من فترة بخصوص اللي اللي اللي اللي اللي

29
00:02:25,400 --> 00:02:25,680
اللي اللي اللي اللي اللي اللي اللي اللي اللي اللي

30
00:02:25,680 --> 00:02:25,740
اللي اللي اللي اللي اللي اللي اللي اللي اللي اللي

31
00:02:25,740 --> 00:02:26,100
اللي اللي اللي اللي اللي اللي اللي اللي اللي اللي

32
00:02:26,100 --> 00:02:26,620
اللي اللي اللي اللي اللي اللي اللي اللي اللي اللي

33
00:02:26,620 --> 00:02:26,900
اللي اللي اللي اللي اللي اللي اللي اللي اللي اللي

34
00:02:26,900 --> 00:02:27,000
اللي اللي اللي اللي اللي اللي اللي اللي اللي اللي

35
00:02:27,000 --> 00:02:27,040
اللي اللي اللي اللي اللي اللي اللي اللي اللي اللي

36
00:02:27,040 --> 00:02:32,220
اللي اللي اللي اللي اللي

37
00:02:32,220 --> 00:02:38,740
اللي اللي اللي اللي

38
00:02:38,740 --> 00:02:42,760
اللي اللوبحدد ال database هي بيما انديام ديابيتاس

39
00:02:42,760 --> 00:02:46,120
ال database هي مشهورة عالمياً أنا مش هروح أحملها

40
00:02:46,120 --> 00:02:50,880
كمان مرة فاللي already اذا حملتها بكون انتهيت من

41
00:02:50,880 --> 00:02:55,620
الملف اللي موجود عندي و هنتقل الخطوة التالية هروح

42
00:02:55,620 --> 00:03:01,840
انا أقوله في ال data set اللي موجودة عندي هي بيما

43
00:03:01,840 --> 00:03:02,680
ديابيتاس

44
00:03:07,480 --> 00:03:16,400
وأنا بدي أستخدم الـ Dataset Hi طبعا

45
00:03:16,400 --> 00:03:18,840
الـ Dataset جمال الغير عشان نفهمها بشكل سريع الـ

46
00:03:18,840 --> 00:03:23,280
Dataset هي ناتجة عن المركز الوطني لأمراض السكري

47
00:03:23,280 --> 00:03:30,540
والحمية والأمراض الكلةالهدف منها إنه فعليًا

48
00:03:30,540 --> 00:03:33,860
يحاولوا يتنبأوا هل المريض هذا هو مؤصاب سكري أو لا

49
00:03:33,860 --> 00:03:36,980
بناءً على التشخيصات اللي هي موجودة في ال database

50
00:03:36,980 --> 00:03:39,800
اللي موجودة قدامها هي موجودة أعظم مكوّنة من تمانية

51
00:03:39,800 --> 00:03:42,780
attributes زي اللي هنشوفها كمان شوية «several

52
00:03:42,780 --> 00:03:44,920
constraints were placed on the solution of the

53
00:03:44,920 --> 00:03:50,400
ice» وهذه ال database مكوّنة بتتناول ال female

54
00:03:50,400 --> 00:03:54,220
patients only all the patients here are females at

55
00:03:54,220 --> 00:04:03,460
leastعلى الأقل يكونوا 21 سنة يعني 21 سنة من بيما

56
00:04:03,460 --> 00:04:07,860
المنطقة اللي موجودة فيها طبعا هذا كل الكلام انا ما

57
00:04:07,860 --> 00:04:11,300
الاصل اللي شفته عندما اتعرفته على ال database

58
00:04:11,300 --> 00:04:16,980
والان بده اروح حقوله new notebook

59
00:04:22,650 --> 00:04:26,450
الآن الـ New Notebook هو Jupiter Notebook إنشأليه

60
00:04:26,450 --> 00:04:30,910
الـ Kaggle، والآن جاب لي هذه كل الكود عشان يعمل

61
00:04:30,910 --> 00:04:35,490
import لمين لل database اللي موجودة عنديها، طبعاً

62
00:04:35,490 --> 00:04:40,590
هذا الفرق الوحيد ما بين الـ Online، الـ Python

63
00:04:40,590 --> 00:04:46,370
Jupiter Notebook أو الـ Localاللي في الآخر انت لما

64
00:04:46,370 --> 00:04:49,210
بنعمل import كنا بنزوده بالمسار اللي موجود، طب مين

65
00:04:49,210 --> 00:04:53,790
بيحدد المسار؟ هذه موجودة على cloud أو على driver

66
00:04:56,070 --> 00:04:59,490
فاحنا بنختارها بكل بساطة بدون إيش بدون ما يكون في

67
00:04:59,490 --> 00:05:02,650
عندنا ال .. عفوا فبتروح بتزوّدنا إيه أغلى كاجل

68
00:05:02,650 --> 00:05:05,090
بدون ما تكون في عندنا مشاكل الأصل إحنا هذا ال code

69
00:05:05,090 --> 00:05:09,710
إذا بدنا نشتغل online نرفعه أو نتعلمه أو نحفظه لأن

70
00:05:09,710 --> 00:05:12,250
هذا ال code هيلزمنا مع الكاجل و غالبا هو نفسه

71
00:05:12,250 --> 00:05:16,350
موجود مع ال collab ما علينا أن الأن لو أنا طبعا

72
00:05:16,350 --> 00:05:19,190
ناحظ أنه عمل كمان import لأهم two libraries اللي

73
00:05:19,190 --> 00:05:22,740
هم على ال databaseأو في الـ dataset الـ numpy

74
00:05:22,740 --> 00:05:26,320
والبانداز طبعاً أحنا معظم شغلنا من خلال البانداز

75
00:05:26,320 --> 00:05:31,280
لكن في مثال اليوم هيلزمنا ال numpy كذلك لمرة واحد

76
00:05:31,280 --> 00:05:35,550
أو لمرتين خلينا نعمل runللـ code اللي موجود عندها

77
00:05:35,550 --> 00:05:39,750
عمل run طبعاً سرعة الاستجابة بتعتمد على سرعة ال

78
00:05:39,750 --> 00:05:42,950
connection اللي موجود عندك طبعاً هنف يقولك جديش

79
00:05:42,950 --> 00:05:46,050
انت استخدمت من ال hardest جديش عندك CPU او إشغال

80
00:05:46,050 --> 00:05:48,930
للـ CPU جديش إذا كان عندك إشغال للرابط ممكن تطفو

81
00:05:48,930 --> 00:05:51,210
ممكن تعمل restart للجهة بتاع ال notebook هذا

82
00:05:51,210 --> 00:05:59,030
الرابط بعد ما عملت run أداني رابط في diabetes.csv

83
00:05:59,030 --> 00:06:02,070
طبعا خليني أنا أسمي ال notebook تبعي diabetes

84
00:06:06,170 --> 00:06:10,510
عند الـ score specification

85
00:06:12,560 --> 00:06:15,840
وأجي أخد Notebook جديدة وحروح أنا أقول له الـ

86
00:06:15,840 --> 00:06:19,240
DataFrame طب أنا خلاص بدي أقرأ ال database pandas

87
00:06:19,240 --> 00:06:27,080
.read underscore csv اللي زي ما أحنا بنقرأ وهي ال

88
00:06:27,080 --> 00:06:31,220
single quotation وهي المسار اللي أنا نسخته هي كده

89
00:06:31,220 --> 00:06:34,620
الأمور تمت عملية المفروض تم عملية القراءة عشان أنا

90
00:06:34,620 --> 00:06:38,920
أتأكد ورح أقول ال DataFrame.head والhead ممكن أنا

91
00:06:38,920 --> 00:06:44,470
أزودها زي ما قولنا سابقاًبتعرض الأول صفوف من الـ

92
00:06:44,470 --> 00:06:48,450
DataFrame اللي أنا قرأته الـ DataFrame هذا مكوّن

93
00:06:48,450 --> 00:06:53,130
من حوالي الـ 708 الـ و سبتين row الـ By default

94
00:06:53,130 --> 00:06:56,490
الـ head بتجيب عشرة، عفوا، بتجيب خمسة، إذا أنا بدي

95
00:06:56,490 --> 00:06:59,830
عشرة أو بدي خمسة أو بدي تلاتة أو بدي خمستاشر ممكن

96
00:06:59,830 --> 00:07:05,350
أنا أروح أغيره مرة تانية، فهي راح قرأليها اللي

97
00:07:05,350 --> 00:07:08,840
قاللي هي البيانات اللي موجودة عندكبس خلّيني أقول

98
00:07:08,840 --> 00:07:14,740
لكم قدرة الـ Pages Classification 1 الأن تعرفوا

99
00:07:14,740 --> 00:07:18,900
على الـ Attributes بشكل سريع اللي موجودة عنهم بما

100
00:07:18,900 --> 00:07:23,120
أن كل الـ Database أو كل الـ Data Sets مكوّنة من

101
00:07:23,120 --> 00:07:27,680
الـ Gmail فعلا بيسألني عن ال-Pregnancyعدد مرات

102
00:07:27,680 --> 00:07:34,600
الحمل، نسبة الجلوكوز في الدم، ضغط الدم، كم كان،

103
00:07:34,600 --> 00:07:37,420
سماكة الجلد، طبعاً سماكة الجلد جامعة الخير مهمة

104
00:07:37,420 --> 00:07:44,580
لأنه بيمثلها في طبقة الدهون، كمية نسبة الأنسولين

105
00:07:44,580 --> 00:07:48,480
أو كمية الأنسولين الموجودة الـ Body Mass Index

106
00:07:48,480 --> 00:07:52,600
مؤشر كتلة الجسد الجدش طبعا المفروض كل الناس اللي

107
00:07:52,600 --> 00:07:55,880
فوق الـ30 أو فوق الـ32 أو 35، أعتقد إذا أنا مش

108
00:07:55,880 --> 00:08:01,920
أوطاني يعنيبقول عنهم أصحاب سمنة، الـ diabetes بـ

109
00:08:01,920 --> 00:08:05,260
degree function و high function بتجيس ليه؟ هل

110
00:08:05,260 --> 00:08:09,120
المرض هذا مرتبط بالعامل وراتي من الأبوين أو من أحد

111
00:08:09,120 --> 00:08:14,080
من العائلة؟ جدش نسبة الناس اللي في العائلةموجودين

112
00:08:14,080 --> 00:08:19,540
أو مصابين بالمرض، المرض السكري والـ Age الأعمار زي

113
00:08:19,540 --> 00:08:22,320
ما قلنا والـ Outcome اللي هو ال label أو ال target

114
00:08:22,320 --> 00:08:25,800
تبعتنا The binary classification صفر واحد، واحد

115
00:08:25,800 --> 00:08:29,380
مصاب، صفر غير مصاب، واحنا بدنا نعمل prediction

116
00:08:29,380 --> 00:08:32,660
نشوف هل فعليا اللي هو أنا زودته ببيانات معينة

117
00:08:32,660 --> 00:08:37,530
هيقول إنه هذا مصاب أو غير مصاب، تمامالآن عشان

118
00:08:37,530 --> 00:08:41,590
أتعرف على الـ Database بشكل كويس بقولنا ممكن انا

119
00:08:41,590 --> 00:08:49,230
أروح أقوله الـ DataFrame.Describe والـ

120
00:08:49,230 --> 00:08:51,510
Describe بقولنا هذا بتدينا Simple Statistics لكن

121
00:08:51,510 --> 00:08:55,330
المرحلة ها دي بدي Transpose والناس اللي درست

122
00:08:55,330 --> 00:08:58,590
رياضيات منفصلة بتعرف ان ال Transpose أو دراسة

123
00:08:58,590 --> 00:09:02,630
مصفوفات بتعرف ان ال Transpose بعمل تبديل للصفوف

124
00:09:02,630 --> 00:09:07,570
والأعنيلةأخيرًا هي راح جابليهم هان وبحيث ان ال

125
00:09:07,570 --> 00:09:11,790
statistics ال count بتمثل عدد الصفوف اللي فيها

126
00:09:11,790 --> 00:09:18,310
values طبعًا كله فيه values عندي هان 678 عدد ال

127
00:09:18,310 --> 00:09:21,310
values ال main المتوسط الحسابي ال standard

128
00:09:21,310 --> 00:09:24,330
deviation ال minimum value طبعًا جماعة الخير ال

129
00:09:24,330 --> 00:09:28,920
minimum value زي الجليكوز وضغط الدمو الـ skin

130
00:09:28,920 --> 00:09:33,280
thickness و الانسولين و ال body mass index، هذه

131
00:09:33,280 --> 00:09:38,320
كلها بالنسبة لنا المفروض تكون هذه missing values

132
00:09:38,320 --> 00:09:41,200
بس بدها معالجة، لأن مستحيل يكون عندي ال body mass

133
00:09:41,200 --> 00:09:44,040
index صفر، مستحيل يكون الجليكوز في الدم صفر،

134
00:09:44,040 --> 00:09:48,490
مستحيل blood pressure يكون صفربس أنا الان مش هشغل

135
00:09:48,490 --> 00:09:51,190
على ال database مش هعملها pre-processing بينما انت

136
00:09:51,190 --> 00:09:54,490
ملزم انك تعمل pre-processing لل database ال

137
00:09:54,490 --> 00:09:57,010
database ده مش مناسب أقولك خد database تانية إذا

138
00:09:57,010 --> 00:10:01,260
في حد مختار قدر اللهطيب، الآن أنا بحاجة زي ما قلنا

139
00:10:01,260 --> 00:10:06,380
عن الـ Database هذه على علاتها وحافظة أروح أجهز

140
00:10:06,380 --> 00:10:11,500
الـ Data Set للترانسي للـ Classification وأهم شغلة

141
00:10:11,500 --> 00:10:14,660
في الـ Classification أنه أنا أعمل يا جماعة الخير

142
00:10:14,660 --> 00:10:18,320
Split ما بين الـ Data Set Attribute أخد الـ

143
00:10:18,320 --> 00:10:21,040
Attributes أو الـ Data Attributes لحال وأخد الـ

144
00:10:21,040 --> 00:10:25,480
Target Attribute لحالي وهذا الكلام أنا بدي أروح

145
00:10:25,480 --> 00:10:34,910
أسميها تحت«Data» أو «Data Set» «Splitting»

146
00:10:34,910 --> 00:10:41,750
«Splitting» أو «Splitting»

147
00:10:41,750 --> 00:10:43,450
«Splitting» «Splitting» «Splitting» «Splitting»

148
00:10:43,450 --> 00:10:43,610
«Splitting» «Splitting» «Splitting» «Splitting»

149
00:10:43,610 --> 00:10:44,590
«Splitting» «Splitting» «Splitting» «Splitting»

150
00:10:44,590 --> 00:10:44,610
«Splitting» «Splitting» «Splitting» «Splitting»

151
00:10:44,610 --> 00:10:44,650
«Splitting» «Splitting» «Splitting» «Splitting»

152
00:10:44,650 --> 00:10:44,730
«Splitting» «Splitting» «Splitting» «Splitting»

153
00:10:44,730 --> 00:10:44,750
«Splitting» «Splitting» «Splitting» «Splitting»

154
00:10:44,750 --> 00:10:56,130
«Splitting» «Splitting» «Splitting» «Spl

155
00:10:59,800 --> 00:11:05,500
Target Underscore Attribute كيف أنا بدي أعمل الـ

156
00:11:05,500 --> 00:11:08,140
Splitting الآن؟ عملية الـ Splitting هي عبارة عن

157
00:11:08,140 --> 00:11:11,180
أخد نصخة من الـ Attributes أنا ما بديش أخرّب في

158
00:11:11,180 --> 00:11:13,640
الـ Data Frame الأصلي اللي موجود عندي هنا فبتحتقط

159
00:11:13,640 --> 00:11:19,760
فيه و هروح أقوله أنا هنا ال Data أو ممكن أسميها ال

160
00:11:19,760 --> 00:11:25,480
Attributes مباشرة Attribute

161
00:11:25,480 --> 00:11:31,770
Equalالـ DataFrame.prop

162
00:11:31,770 --> 00:11:39,270
بدي أحدث الـ Outcome

163
00:11:39,270 --> 00:11:45,570
وهذا موجود على الـ Axis أرقم واحد فعليه مش هيحدثه

164
00:11:45,570 --> 00:11:48,570
لأنه لم أقول له إنه Blast فبدي أخد نسخة من ال

165
00:11:48,570 --> 00:11:51,470
DataFrame هذا و بيحدث ال Outcome وبدي أخذلني فيه

166
00:11:51,470 --> 00:11:56,930
مين بحقليهم في ال Attributes تمام؟ وفي عندي Target

167
00:11:59,700 --> 00:12:06,340
«attribute equals dataFrame dot أو dataFrame of

168
00:12:06,340 --> 00:12:15,140
the outcome» وهكذا أصبح لدي two arrays تمثل

169
00:12:15,140 --> 00:12:20,140
الـ «attributes» من الـ «age» إلى الـ «pregnancy»

170
00:12:20,390 --> 00:12:24,550
والأخير بيمثل الـ Outcome أنا سميته إيش الـ Target

171
00:12:24,550 --> 00:12:28,690
هذا الفصل مهم جدًا يا جماعة الخير بالنسبة لنا لأنه

172
00:12:28,690 --> 00:12:34,710
من خلاله أنا بقدر أقول والله أنه ال data تبعتي تمت

173
00:12:34,710 --> 00:12:38,570
طبعًا أنا الآن عملي ترنمج جابلي إنه okay أخدت رقم

174
00:12:38,570 --> 00:12:43,890
أربعة سل هذه نفذت بدون أي مشاكل إذا حابب أنت تعمل

175
00:12:43,890 --> 00:12:48,070
ال attribute describe أو تشوف

176
00:12:56,430 --> 00:12:59,030
الخطوة التالية اللي أنا بدي أسويها في الـ

177
00:12:59,030 --> 00:13:01,630
preparation، برضه من تحت الـ preparation، اللي أنا

178
00:13:01,630 --> 00:13:04,870
بدي أجسم ال data set اللي موجودة عندي الآن، اللي

179
00:13:04,870 --> 00:13:13,140
هي ال attributesالـ Data Attributes والـ Target

180
00:13:13,140 --> 00:13:17,480
Attributes بدي أجسمهم على مستوى الـ Rows بحيث أنه

181
00:13:17,480 --> 00:13:20,700
أجهز الـ Training Set والـ Testing Set زي ما أحنا

182
00:13:20,700 --> 00:13:29,740
أبني علىها إيه هان؟ Splitting The

183
00:13:29,740 --> 00:13:34,080
Data Set

184
00:13:34,080 --> 00:13:45,000
واحنا بين جلسينحكّم الـ Attribute و

185
00:13:45,000 --> 00:13:59,550
Target into Training and Test Setعشان أنفذ الكلام

186
00:13:59,550 --> 00:14:03,850
هذا أنا بدي أروح من ال AsciiLab.model طبعاً هنا

187
00:14:03,850 --> 00:14:07,090
بدي أبدأ أول أستخدم أول مكتبة بعد الـBandas اللي

188
00:14:07,090 --> 00:14:12,730
موجودة فوق فهاجله from AsciiLab والـ AsciiLab يا

189
00:14:12,730 --> 00:14:16,350
جماعة الخير أهم مكتبة بالنسبة لإلنا موجودة ممكن

190
00:14:16,350 --> 00:14:23,650
أنا أستخدمها model underscore selection model

191
00:14:23,650 --> 00:14:24,530
selection

192
00:14:29,600 --> 00:14:31,180
ماذا أريد أن أستخدم من الـ Modeling و الـ

193
00:14:31,180 --> 00:14:36,860
Selection؟ سأستخدم crane underscore test

194
00:14:36,860 --> 00:14:43,660
underscore split function أو ميثود الموجودة في

195
00:14:43,660 --> 00:14:49,100
داخلها الميثود هايبتش بتاخد مني argument هذه

196
00:14:49,100 --> 00:14:55,860
الميثود بتاخد مني argument أهمها تلقى شغلات الـ

197
00:14:55,860 --> 00:14:59,140
attributes ال data set اللي أنا

198
00:15:02,640 --> 00:15:07,240
أشغل عليها الـ Attributes كأخد مني الـ Target،

199
00:15:07,240 --> 00:15:14,080
تمام؟ دعني أتأكد إن كنت بالـ Target صح هما، والـ

200
00:15:14,080 --> 00:15:19,740
Test أو الـ Train Size Test underscore Size بدها

201
00:15:19,740 --> 00:15:26,640
تساوي 30% الآن شوف بسهولة، فعليًا بروح بجسم الـ

202
00:15:26,640 --> 00:15:31,340
Attributes والـ Targets هما as one data frame

203
00:15:31,340 --> 00:15:36,000
فعليًاالـ Index اللي موجود في الـ Attribute الأول

204
00:15:36,000 --> 00:15:39,760
أو مع الـ Attributes هو نفس الـ Index الموجود على

205
00:15:39,760 --> 00:15:44,180
الـ Target بس أنا فصلتهم كأعلى ده عن بعضهم لكن الـ

206
00:15:44,180 --> 00:15:48,140
Index بقى نفس الترتيب، ماصارش فيه عليه الشغل طيب،

207
00:15:48,140 --> 00:15:52,520
وبالتالي هو هياخد Random Sample نسبة 30% من الـ

208
00:15:52,520 --> 00:15:57,260
Indices اللي موجودة هنا ويعمل الـ Reaction 30% هذه

209
00:15:57,260 --> 00:16:04,240
هترجع في لمين؟ هترجع لـ X Testوالـ Y-test اللي هي

210
00:16:04,240 --> 00:16:08,980
الـ Attributes الخاصة بالتست والـ Target الخاص

211
00:16:08,980 --> 00:16:14,340
بالتست خلّيني أسميهم X وY والمصطلحات هذه درجة جداً

212
00:16:14,340 --> 00:16:18,800
في التسميات بالإضافة لهيك، أنا فيه عندي الـ X

213
00:16:18,800 --> 00:16:22,380
train والـ Y train اللي هم الـ 70% اللي بيظلوا من

214
00:16:22,380 --> 00:16:26,660
ال data sets اللي موجودة عندي فأنا فعلياً هكون فيه

215
00:16:26,660 --> 00:16:32,400
عندي X train كمان Y train

216
00:16:35,840 --> 00:16:45,880
كما X test كما Y test وهذه أربع مجموعات بحيث أن

217
00:16:45,880 --> 00:16:50,480
الـ procedure هذا أو الـ function هذه أو الـ

218
00:16:50,480 --> 00:16:55,180
constructor هذا بيرجعلي بأربع مجموعات X test X

219
00:16:55,180 --> 00:16:59,930
دلالة على الـ attributesتمام فالـ X هي عبارة عن

220
00:16:59,930 --> 00:17:03,550
subset من الـ attributes X train و X test X test

221
00:17:03,550 --> 00:17:08,670
بتمثل 30% من ال attributes والـ X train بتاخد 70%

222
00:17:08,670 --> 00:17:11,250
طبعا ممكن أنا أبدل هنا، أروح أقول له لـ train test

223
00:17:11,250 --> 00:17:16,170
أو لـ train size 70 تمام؟ وبيمشي الحال، الآن الـ Y

224
00:17:16,170 --> 00:17:21,530
train هي عبارة عن 70% من ال target بناء على ال

225
00:17:21,530 --> 00:17:25,620
index اللي تم أخدهاوالـ Y-test هي عبارة عن الـ

226
00:17:25,620 --> 00:17:29,700
Sample اللي موجودة عنا طبعاً عشان نتأكد أن الأمور

227
00:17:29,700 --> 00:17:33,620
تمام و ال splitting صح تمت، هروح أنا أقول له X

228
00:17:33,620 --> 00:17:40,060
train dot

229
00:17:40,060 --> 00:17:44,760
head و بدي أقوله بس يعرض الأول تلاتة منهم أو مش

230
00:17:44,760 --> 00:17:47,620
قضية، هي الأول عشرة بس عشان نشوف ال indices اللي

231
00:17:47,620 --> 00:17:53,740
موجودة فيهمهي، واحظوا زي ما حكينا هذا عبارة عن الـ

232
00:17:53,740 --> 00:18:01,180
Index الآن في المقابل، لو أنا روحت عرضة الـ Y

233
00:18:01,180 --> 00:18:06,600
-Train وقلت له هي في السلة اللي بعدها، بس عشان

234
00:18:06,600 --> 00:18:14,000
أؤكدلكم الـ Ytrain.head

235
00:18:14,000 --> 00:18:21,550
وخلّيني على عشرة كذلك، Runطلع معايا في الـ index

236
00:18:21,550 --> 00:18:29,230
ويترين

237
00:18:29,230 --> 00:18:29,770
ويترين

238
00:18:46,050 --> 00:18:50,710
أنا أخطأ تاني يا جماعة الخير في التسمية هي المفروض

239
00:18:50,710 --> 00:18:57,310
X test X test

240
00:18:57,310 --> 00:19:07,870
thirty three five green هينعمل run مرة تانية

241
00:19:07,870 --> 00:19:15,090
هينعمل run للسل high أه، هيك تمامأنا اللي أختار في

242
00:19:15,090 --> 00:19:19,490
تركيب العناصر اللي فوق ببدأ بالـ Exit Test بالـ

243
00:19:19,490 --> 00:19:24,250
Attributes و بالـ Yالـ Target طبعًا هي ميزة إنه

244
00:19:24,250 --> 00:19:27,990
أنا فعليًا بضل بتبع الـ Data شو صار فيها، مابخطيش،

245
00:19:27,990 --> 00:19:32,690
لاحظوا 155، 155 هي نفس الـ Index اللي موجود يعني،

246
00:19:32,690 --> 00:19:34,750
فأنا أمور من ناحية الـ Database الآن أو الـ

247
00:19:34,750 --> 00:19:38,490
Splitting للـ Data جاهزة، بحيث إنه أنا جسمت الـ

248
00:19:38,490 --> 00:19:41,450
Data، فصلت الـ Attributes، الـ Data Attributes

249
00:19:41,450 --> 00:19:45,030
والـ Target Attributes، فصلت كل واحد فيهم في Data

250
00:19:45,030 --> 00:19:48,810
fileهو روحت للـ data set أو الـ two data frames

251
00:19:48,810 --> 00:19:55,210
دول فصلتهم كمان ل test set و فوقه train set و هبدأ

252
00:19:55,210 --> 00:20:00,370
استخدم train set في موضوع ال classification الان

253
00:20:00,370 --> 00:20:06,830
بدأ أستخدم ال K nearest neighbor KNN

254
00:20:06,830 --> 00:20:15,070
أو ما يعرف بالـ K nearest neighbor

255
00:20:22,150 --> 00:20:25,250
هنا تبعت الخير في الـ Canary's Neighbour Model

256
00:20:25,250 --> 00:20:28,950
يقول إنها أهم شغلة تريد التعرف عليها من أين تريد

257
00:20:28,950 --> 00:20:39,370
أن تعمل الـ Import؟ لأن من الـ Asciler Dot

258
00:20:39,370 --> 00:20:43,530
طبعاً هنا عندني عائلة اسمها Neighbours أو ال

259
00:20:43,530 --> 00:20:47,750
library عشان ماحدش يقول ليه عائلة Neighbours هروح

260
00:20:47,750 --> 00:20:48,590
أقول له Import

261
00:20:54,790 --> 00:21:06,810
«nearest neighbor» «neighbors

262
00:21:06,810 --> 00:21:10,870
as KN»

263
00:21:10,870 --> 00:21:17,930
الأن هذا الموديل أنا بممكن أنشئه مباشرة «KNN»

264
00:21:42,660 --> 00:21:46,440
والخطوة التالية اللي بعد هيك أنا ممكن أحدد له

265
00:21:50,220 --> 00:21:53,040
الـ Model أو أروح أعمله Fit اللي كان المفروض

266
00:21:53,040 --> 00:21:57,460
أحددله الـ Data Set اللي بده يعمل عليها Training

267
00:21:57,460 --> 00:22:02,180
أو مقارنة هي المفروض الـ Train Data Set لكن في

268
00:22:02,180 --> 00:22:07,800
ملاحظة مهمة جدا قبل ما نكمل طبعا بإمكاني أنا أوقف

269
00:22:07,800 --> 00:22:11,620
هذه وأعلقها

270
00:22:17,090 --> 00:22:21,130
الآسي جمعة الخير هي من أجل الاختصار الـ AS من أجل

271
00:22:21,130 --> 00:22:24,470
الاختصار عشان مابترضش أكتب الاسم بالكامل يعني لو

272
00:22:24,470 --> 00:22:29,750
أنا بدي أكتبها، هروح أقول «KN N underscore model

273
00:22:29,750 --> 00:22:33,670
equals

274
00:22:33,670 --> 00:22:43,610
nearest neighbors و N underscore neighbor equals

275
00:22:43,610 --> 00:22:48,470
ثلاثة»عفواً، خمسة، خلّيني أعمل نفسي، أمشي على نفس

276
00:22:48,470 --> 00:22:51,230
الـStyle هذه واللي فوق نفس المعنى، بس أنا هنا

277
00:22:51,230 --> 00:22:55,530
بأختصر في الكتابة بناءً على .. بعمل Alias Name

278
00:22:55,530 --> 00:22:59,210
وبستخدم الـAlias Name الآن بضل أقولّهم الـKNN

279
00:22:59,210 --> 00:23:06,010
underscore model fit

280
00:23:06,010 --> 00:23:12,710
وفي ال training، شو بياخد؟ بياخد الـX train والـY

281
00:23:12,710 --> 00:23:18,620
trainلأن هذه هي الـ data اللي انا بتعمل عليها أو

282
00:23:18,620 --> 00:23:22,260
من خلالها ال training لو انا اشتغلت عملت له run

283
00:23:22,260 --> 00:23:35,620
وشكلي

284
00:23:35,620 --> 00:23:37,620
أنا أخطأت في ال nearest neighbors

285
00:23:46,470 --> 00:23:51,630
«nearest neighbours» صح الصح الـ «spelling» صح

286
00:23:51,630 --> 00:24:05,130
«EG» «EI» «GH» «D» «O» «R» «S»

287
00:24:05,130 --> 00:24:08,190
ليش؟

288
00:24:21,090 --> 00:24:35,170
ممكن عشان أنا حطيت الـ alias name فوق عشان

289
00:24:35,170 --> 00:24:40,270
حطيت الـ alias name عشان حطيت الـ alias name لأن

290
00:24:40,270 --> 00:24:45,710
الـ alias name بدله لكن لو أنا شهيت هذا وعلّجت

291
00:24:45,710 --> 00:24:46,030
هذه

292
00:24:52,850 --> 00:25:00,330
مش هيكون في خطأ فممكن

293
00:25:00,330 --> 00:25:03,590
أنا أستخدم هاي أو هاي بحسب الحالة اللي موجودة

294
00:25:03,590 --> 00:25:08,170
عليها تمام، فالـ mode أصبح جاهز يتعرّف على الـ

295
00:25:08,170 --> 00:25:10,890
trend data أو الـ trend set اللي أنا بدي أشتغل

296
00:25:10,890 --> 00:25:14,950
عليها وهي بطبيعة الحالة مجسومة للـ tribunes وطبعاً

297
00:25:14,950 --> 00:25:19,510
الخطوة التالية أنا عمال بدي أروح أعمل أو بدي أشوف

298
00:25:19,510 --> 00:25:23,510
ال majors إيش ممكن يسوي ليهالـ Element اللي موجود

299
00:25:23,510 --> 00:25:27,050
أو الـ Model اللي أنا أنشرته لكن عشان أنا أنشق الـ

300
00:25:27,050 --> 00:25:30,530
Model جمال الخير أو بدي أجرب الـ Model خليني أشوف

301
00:25:30,530 --> 00:25:35,450
أو أخد عينة من الـ Data اللي موجودة عندها في موضوع

302
00:25:35,450 --> 00:25:39,070
من

303
00:25:39,070 --> 00:25:42,450
الـ Data Set بشكل عام أنا بدي أروح و أقول له أنا

304
00:25:42,450 --> 00:25:46,190
طبعاً أول هيكون الأول استخدام للـ Numpy اللي

305
00:25:46,190 --> 00:25:56,740
موجودة فوق هروح أقوله T1هذه الـ array مكوّنة من

306
00:25:56,740 --> 00:26:07,640
مجموعة أرقام وليكن

307
00:26:07,640 --> 00:26:12,940
على سبيل المثال الصف الأول وهذه ال class موجودة

308
00:26:12,940 --> 00:26:13,320
هنا

309
00:26:17,220 --> 00:26:21,720
الـ Ctrl V التابس هذه بدي استبدلها بـ Comma

310
00:26:31,800 --> 00:26:35,140
طبعًا، يا عزيزي، في شغل مهم لازم نقولها الآن إنه

311
00:26:35,140 --> 00:26:38,300
مش ضروري الـ Prediction دائمًا يعني ماحدش بيقول

312
00:26:38,300 --> 00:26:40,800
الـ Prediction بيكون صحيح أو بيكون حقيقية 100%

313
00:26:40,800 --> 00:26:43,720
لازم يكون في أخطاء عندي دائمًا أو في معظم الأحيان

314
00:26:43,720 --> 00:26:47,160
يكون في عندك أخطاء وكل ما اكتمل أو كل ما كانت ال

315
00:26:47,160 --> 00:26:50,520
Prediction تبعت ال score تبعته أعلى بيكون كويسة

316
00:26:50,520 --> 00:26:57,720
Doc Re-Shape كله اعتمد المصفوفة هذه على إيها واحد

317
00:26:57,720 --> 00:27:06,120
سالب واحدوطبعاً هاي ال target هحط هنا target equal

318
00:27:06,120 --> 00:27:14,720
one وخلّيني أنا أنسخ هذه هيك Ctrl V وبدأ أجي على

319
00:27:14,720 --> 00:27:20,760
ال raw اللي رقمه خمسة أنسخه وال target تبعته صفر

320
00:27:20,760 --> 00:27:23,200
هذا بدي أسميه T5

321
00:27:33,150 --> 00:27:38,710
بنفس الكلام الـ

322
00:27:38,710 --> 00:27:47,030
caps اللي عندي بكمس عشان تتحول كيما اللي عندي لاش

323
00:27:47,030 --> 00:27:53,370
لمصفوفة تمام ننبغي نفس العدد

324
00:28:01,810 --> 00:28:08,410
تمام، ليس مشكلة لان عندما انا اعمل train الـ model

325
00:28:08,410 --> 00:28:11,130
اللي انا انشأته model.k-neighbors لديه method

326
00:28:11,130 --> 00:28:17,070
اسمها model.k-neighbors انا هايه ال model تبعي KNN

327
00:28:17,070 --> 00:28:24,430
underscore model.k-neighbors

328
00:28:25,990 --> 00:28:30,270
ولا مين؟ وبديله مين؟ وبديله ال test element اللي

329
00:28:30,270 --> 00:28:37,030
انا بدي افحصه وليكن T1 كمه ومع عدد عناصر الجوار

330
00:28:37,030 --> 00:28:42,430
خمسة عدد عناصر الجوار خمسة بتحس في لحظة من اللحظات

331
00:28:42,430 --> 00:28:47,050
ان ال K الخمسة اللي انا عنها ماالهاش علاقة هذه ال

332
00:28:47,050 --> 00:28:50,290
method اللي موجود خليني اشوف و اروح طبعا هذه ال

333
00:28:50,290 --> 00:28:55,370
method بترجعلي two vectorsالفكتور الأول يمثل الـ

334
00:28:55,370 --> 00:28:59,930
distances كما

335
00:28:59,930 --> 00:29:08,790
والفكتور التاني ال index تمام؟ ال index أو ال

336
00:29:08,790 --> 00:29:15,850
indices نفس المصطلحات indices لمن؟

337
00:29:15,850 --> 00:29:18,550
لـ Indices

338
00:29:22,020 --> 00:29:27,480
للـ Raw اللي هي صاحبة أقصر مسافة يعني الـ

339
00:29:27,480 --> 00:29:31,600
Cannibals هدول بيروح بيجيبلي أقرب خمسة للـ Element

340
00:29:31,600 --> 00:29:36,760
لـ T1 أقرب خمسة لـ T1 وبما أنه المفروض T1 يتمثل

341
00:29:36,760 --> 00:29:39,480
الـ Raw الأول في ال data set اللي عندي فهيروح

342
00:29:39,480 --> 00:29:43,460
يقوللي ال index رقم Zero او ال index رقم Zero هكون

343
00:29:43,460 --> 00:29:47,680
هذا ال distance تبعك صفر وهجيبلي ال index في

344
00:29:47,680 --> 00:29:52,680
مصفوفة تانية أنا الآن هروح أقولله eventخلّينا

345
00:29:52,680 --> 00:29:58,480
بنشوفها في مجال آخر هيـRun الآن المفروض تم التنفيذ

346
00:29:58,480 --> 00:30:04,580
هأخد كود جديد وبدي أروح أقبع الـDistances

347
00:30:22,010 --> 00:30:26,970
لاحظوا يا جماعة الخير، صفر، عشرة، خمسة و خمسين،

348
00:30:26,970 --> 00:30:34,170
تسعة و عشرة، تسعة و عشرة، عشرين، عشرة

349
00:30:34,170 --> 00:30:34,270
و عشرة، عشرة و عشرة، عشرة و عشرة، عشرة و عشرة،

350
00:30:34,270 --> 00:30:34,290
عشرة و عشرة، عشرة و عشرة، عشرة و عشرة، عشرة و

351
00:30:34,290 --> 00:30:34,350
عشرة، عشرة و عشرة، عشرة و عشرة، عشرة و عشرة، عشرة

352
00:30:34,350 --> 00:30:34,570
و عشرة، عشرة و عشرة، عشرة و عشرة، عشرة و عشرة،

353
00:30:34,570 --> 00:30:38,390
عشرة و عشرة، عشرة و عشرة، عشرة و عشرة، عشرة و

354
00:30:38,390 --> 00:30:47,440
عشرة، عشرة و عشرة، عشرة و عشرة، عشرة و عشرةهذه أو

355
00:30:47,440 --> 00:30:51,080
أقرب distance لأنه بيرتب ليهم ترتيب تساعدي حسب

356
00:30:51,080 --> 00:30:54,960
الأقرب فالأقرب، طيب، الآن إذا أنا بدي أشوف ال

357
00:30:54,960 --> 00:30:58,900
indexes تبع العناصر اللي موجودة عندها أو بدي أشوف

358
00:30:58,900 --> 00:31:02,100
ال target تبع ال indices اللي موجودة عندها، ممكن

359
00:31:02,100 --> 00:31:09,960
أنا أروح أقول له target of

360
00:31:09,960 --> 00:31:14,080
I from

361
00:31:15,690 --> 00:31:22,530
الـ I موجودة أين؟ أو عفوًا، for الـ I for

362
00:31:22,530 --> 00:31:30,390
I M، ال indices أنا

363
00:31:30,390 --> 00:31:34,810
هذه مصفوفة برضه من بعدي، فاروح أقوله بعد أيام،

364
00:31:34,810 --> 00:31:35,310
فإشرح

365
00:31:52,280 --> 00:32:00,580
Target غلط طبعاً

366
00:32:00,580 --> 00:32:04,760
هان لما كنت بحاول أن أطبع الـ Element بقول لي إن

367
00:32:04,760 --> 00:32:08,140
هذا عبارة عن object طب ال object أنا بدي أجيب ال

368
00:32:08,140 --> 00:32:10,920
contents تبعته أو محتوى ال object اللي عندي هان

369
00:32:10,920 --> 00:32:15,300
فهينطبعته بالشكل اللي موجود عندي هان جلبناه على

370
00:32:15,300 --> 00:32:19,570
السبعة اللي موجودات فوقالـ Indices تبعتهم أو الـ

371
00:32:19,570 --> 00:32:22,590
Classes بناءً على الـ Indexes اللي موجود عندها

372
00:32:22,590 --> 00:32:26,550
يعني احنا اتفقنا ال Indices هي عبارة عن ال Index

373
00:32:26,550 --> 00:32:33,910
تبعت ال Train Test أو الـ X-Train القريبة من أو

374
00:32:33,910 --> 00:32:39,450
الأقرب لـ T1فكان صفر و صفر وهذه الـ Label سبعتهم

375
00:32:39,450 --> 00:32:43,630
لان انا بدي اعمل voting هروح اعد انا هدول هي واحد

376
00:32:43,630 --> 00:32:48,250
اتنين تلاتة اربعة خمسة خمسة من سبعة Zero و اتنين

377
00:32:48,250 --> 00:32:53,530
من سبعة one معناته ان ال class اللي موجود عندي هنا

378
00:32:53,530 --> 00:32:59,290
سبعة طب لو انا بدي اعيد التجربة هي لخمسة وهي run

379
00:32:59,290 --> 00:33:06,780
السلة البولة اللي بعديهاوهي الـ cell اللي بعديها

380
00:33:06,780 --> 00:33:11,760
فجالك إنه الآن برضه 00 بس القيم اللي عندي فوق

381
00:33:11,760 --> 00:33:15,320
اختلفت مش قضية لإن هي في الآخر ال values اللي

382
00:33:15,320 --> 00:33:18,720
عنديها صارتان طب لو أنا فكرت إنه أغير في ال values

383
00:33:18,720 --> 00:33:25,840
اللي عنديها حضر أروح أعمل run عشان أخدها، okay هي

384
00:33:25,840 --> 00:33:32,900
خليني أقول هنا 30، هي run، لاحظوا ال distance

385
00:33:32,900 --> 00:33:38,070
اختلافها؟تختلفت الـ distance كلياً الآن والأخير هي

386
00:33:38,070 --> 00:33:44,910
run وهيصار في عندي تلاتة one وأربعة zero فهو في

387
00:33:44,910 --> 00:33:47,910
الآخر هيعمله ال classification على أنه zero،

388
00:33:47,910 --> 00:33:51,230
ممتاز، لكن هذا برضه مش هو الشغل اللي احنا فعلياً

389
00:33:51,230 --> 00:33:55,450
محتاجينه، بس نحط بعض ال comments هنا

390
00:34:03,930 --> 00:34:11,170
Print target of

391
00:34:11,170 --> 00:34:18,030
the most of

392
00:34:18,030 --> 00:34:23,630
the nearest neighbors

393
00:34:23,630 --> 00:34:24,950
or

394
00:34:49,610 --> 00:34:52,410
«الأزدهار» «الأزدهار»

395
00:34:56,600 --> 00:35:01,560
الآن سأنتقل لجزئية أكتر أهمية عشان تتكلم عنها

396
00:35:01,560 --> 00:35:04,920
Classification عشان أتشتغل على Classification من

397
00:35:04,920 --> 00:35:07,640
نفس الـ Library «High from Escalar Neighbors»

398
00:35:07,640 --> 00:35:13,780
«Import» في عندي الـ «K nearest neighbor» أو الـ

399
00:35:13,780 --> 00:35:17,540
«K neighbors classifier»

400
00:35:17,540 --> 00:35:22,880
هاجهان from K

401
00:35:38,630 --> 00:35:43,710
نفس الكلام السابق بس الأن بدي أسميه KMN underscore

402
00:35:43,710 --> 00:35:49,210
classifier equal الـ model اللي موجود عندي هنا

403
00:35:49,210 --> 00:35:50,610
number of neighbors

404
00:35:54,190 --> 00:35:57,350
يكون الخمسة أو سبعة مش قطيع كتير زي ما حكينا،

405
00:35:57,350 --> 00:36:00,450
المهم أنا أختارها بعناية للبرنامج وحين انتوا في

406
00:36:00,450 --> 00:36:04,310
الآخر مطلوب منكوا إذا اختارت الـK فتقولي ليش

407
00:36:04,310 --> 00:36:06,910
اعتمدت على الـK هذه؟ يعني انت مطلوب تجرب في الواجب

408
00:36:06,910 --> 00:36:11,730
مرة و كنتين و تلاتة، K7، K15، K20، إذا اختار K

409
00:36:11,730 --> 00:36:14,650
مناسبة بيقولك بحيث أنها تديك أفضل accuracy قدر

410
00:36:14,650 --> 00:36:19,100
المستطاع اللي موجودطبعاً في مقلوب منكم تقرير مع

411
00:36:19,100 --> 00:36:23,580
الواجب هذا بحيث أنه انتوا تحددوا كل بساطة أو

412
00:36:23,580 --> 00:36:27,540
تحددوا بالتفصيل انت ايش سويت و ايش النتائج اللي

413
00:36:27,540 --> 00:36:32,680
اشتغلت عليها و النتائج اللي حصلت عليها طيب الآن

414
00:36:32,680 --> 00:36:38,860
هذا ال model KMN underscore classifier بيحتاج انه

415
00:36:38,860 --> 00:36:44,870
اعمله fit وعملية ال fit زي ما قلنا ال extremeوالـ

416
00:36:44,870 --> 00:36:51,210
Y-train بقى زودوا فيهم ممتاز بالنسبة لي هيكاد

417
00:36:51,210 --> 00:36:57,130
استدعاء الـ classifier وتجهيزه وهي أنا الـ using

418
00:36:57,130 --> 00:37:00,450
the

419
00:37:00,450 --> 00:37:07,270
nearest neighbor classifier as classification

420
00:37:07,270 --> 00:37:10,750
model تمام

421
00:37:12,410 --> 00:37:16,570
من عمل train بشكل صحيح لـ classifier اللي موجود

422
00:37:16,570 --> 00:37:21,070
عندي ممتاز، طب لو أنا الآن اذا ال classifier تم

423
00:37:21,070 --> 00:37:24,490
إنش أوي بدا انتقل لمرحلة prediction خد بحيث انه

424
00:37:24,490 --> 00:37:32,730
بده اعمل test test دي اللي انا سميته knn

425
00:37:32,730 --> 00:37:39,370
underscore classifier using

426
00:37:41,370 --> 00:37:47,370
الـ X test والـ

427
00:37:47,370 --> 00:37:54,690
Y test والآن في عندي مثلًا في الـ KNN underscore

428
00:37:54,690 --> 00:38:04,610
model عفوًا الـ classifier dot predict method أو

429
00:38:04,610 --> 00:38:09,400
الـ model اللي عندي dot predictالـ Prediction

430
00:38:09,400 --> 00:38:25,460
بتاخد الـ X-Train و Y-Test وبترجعلي الـ

431
00:38:25,460 --> 00:38:29,160
Y-Predict

432
00:38:31,250 --> 00:38:34,950
الـ Target اللي هي الموجودة عندها بمجرد ذلك، دعوني

433
00:38:34,950 --> 00:38:42,730
أقول له اطبع ليها Y-Predict كنت أتأكد أن الأمور

434
00:38:42,730 --> 00:38:55,230
تمام، وعمل Prediction تاكس

435
00:38:55,230 --> 00:39:00,810
تو Positional Argument but three were given Space

436
00:39:22,500 --> 00:39:27,960
أنا المفروض أدّي الـ text الـ attributes وهو بده

437
00:39:27,960 --> 00:39:31,860
يعمل prediction أنا آسف على الخطأ هذا، الآن هي الـ

438
00:39:31,860 --> 00:39:36,090
predicted labels اللي موجودة عنديأو كأنا فكرت حالي

439
00:39:36,090 --> 00:39:40,710
وصلت لمراحة الـ Evaluation سمحوني، هي العناصر اللي

440
00:39:40,710 --> 00:39:43,930
موجودة عندها هذه عبارة عن كلية Predicted Labels

441
00:39:43,930 --> 00:39:47,870
Predicted Labels زمين للـ X Test اللي موجودة وين

442
00:39:47,870 --> 00:39:50,430
الـ Label الحقيقي تبعها موجود؟ الـ Label الحقيقي

443
00:39:50,430 --> 00:39:55,950
موجود في الـ Y Train أو في الـ Y Test هاي طيب،

444
00:39:55,950 --> 00:40:00,150
الآن عشان أنا أبدأ أقارن خليني أول حاجة نتعرف على

445
00:40:00,150 --> 00:40:05,040
الـ Confusion Matrix اللي موجودة عندهاوهنا في عندي

446
00:40:05,040 --> 00:40:15,880
الـ classification model evaluation هنبدأ

447
00:40:15,880 --> 00:40:25,940
الآن الان from ال ASCII layer import matrix

448
00:40:28,280 --> 00:40:31,460
الآن بدي أجيب الـ Matrix، إيش الـ Matrix جامعة

449
00:40:31,460 --> 00:40:34,540
الخيار؟ تحتوي أنه من خلالها أنا ممكن أنشأ الـ

450
00:40:34,540 --> 00:40:37,100
confusion matrix، أحسب الـ accuracy، أحسب ال

451
00:40:37,100 --> 00:40:40,240
precision، أحسب ال recall، أحسب ال أثمجة، كل هذه

452
00:40:40,240 --> 00:40:44,260
لدى ال attribute، عفوا، للكاسيفير اللي موجود

453
00:40:44,260 --> 00:40:49,940
عندها، وخليني أنا أبدأ مع ال confusion matrix،

454
00:41:07,520 --> 00:41:13,880
الـ M الـ CM متر ايقال

455
00:41:24,700 --> 00:41:29,180
هنا كل الـ evaluation functions اللي موجودة عندنا

456
00:41:29,180 --> 00:41:33,420
هتاخد مني شغلتين هتاخد مني الـ y test اللي هو ال

457
00:41:33,420 --> 00:41:37,260
label الحقيقي والي predicted أو الـ y predicted

458
00:41:37,260 --> 00:41:43,800
الـ y predict وهي

459
00:41:43,800 --> 00:41:48,590
بدي أروح أقوله اطبع ليه ال matrix اللي عندنااللي

460
00:41:48,590 --> 00:41:52,010
هي الـ Confusion Matrix الـ Test Set بيتك حجمها

461
00:41:52,010 --> 00:41:57,450
هيهم المجموع العناصر الموجودة 120، 25، True

462
00:41:57,450 --> 00:42:02,570
Positive، True Negative، False Positive، False

463
00:42:02,570 --> 00:42:08,250
Negative، False Positive، False Negative بس إيش ال

464
00:42:08,250 --> 00:42:11,270
classes اللي موجودة عندي يا جماعة الخير؟ ال

465
00:42:11,270 --> 00:42:13,670
classes يا أخواننا و يا أخواتي بيكونوا تنتبهوا

466
00:42:13,670 --> 00:42:17,770
بشكل كويسلأنه أنا ما حدد لهوش إيش ال classes فإيش

467
00:42:17,770 --> 00:42:22,890
هو بياخد مباشرة بيروح بيعتمد على الآن أول ما قرأت

468
00:42:22,890 --> 00:42:29,870
data set أول ما قرأت data set إيش أول class واجهه؟

469
00:42:29,870 --> 00:42:32,730
طبعاً أنا بتكلم في ال test set هذا لأن أول ما

470
00:42:32,730 --> 00:42:37,250
زودته، زودته غنين في ال Y-predict أول element في

471
00:42:37,250 --> 00:42:41,870
ال Y-test

472
00:42:46,220 --> 00:42:49,820
كان واحد، فخلاص، بيعتبر أنه هذا للـ Class الأول،

473
00:42:49,820 --> 00:42:53,980
تمام؟ وهذا للClass الثاني، طبعاً هذه العناصر

474
00:42:53,980 --> 00:42:56,240
معناته أنها الـ confusion matrix ومن خلالها أنا

475
00:42:56,240 --> 00:43:00,000
بنطلق و بحسب كل حاجة، طب إذا أنا بدأ أحسب ال

476
00:43:00,000 --> 00:43:05,240
accuracy الآن،

477
00:43:05,240 --> 00:43:08,260
اذكروا ال accuracy كانت إيش بتساوي؟ ال true

478
00:43:08,260 --> 00:43:12,360
positive زائد ال true negative على كل العناصر

479
00:43:12,360 --> 00:43:13,600
المجموعة هنا

480
00:43:19,260 --> 00:43:25,360
سأقوم بإعادة الـ Accuracy ACC متركز تساوي متركز

481
00:43:25,360 --> 00:43:28,040
تساوي متركز تساوي متركز تساوي متركز تساوي متركز

482
00:43:28,040 --> 00:43:33,260
تساوي متركز تساوي متركز تساوي متركز تساوي متركز

483
00:43:33,260 --> 00:43:33,800
تساوي متركز تساوي متركز تساوي متركز تساوي متركز

484
00:43:33,800 --> 00:43:34,360
تساوي متركز تساوي متركز تساوي متركز تساوي متركز

485
00:43:34,360 --> 00:43:39,340
تساوي متركز تساوي متركز تساوي متركز تساوي متركز

486
00:43:39,340 --> 00:43:48,690
تساوي متهو الـ Accuracy للـ Model اللي موجود انك

487
00:43:48,690 --> 00:43:55,850
هان Matrix dot مش underscore جالي

488
00:43:55,850 --> 00:44:01,430
72.27 ممتاز، بدي أنتقل للسلة اللي بعدها لو أنا بدي

489
00:44:01,430 --> 00:44:05,330
أحسب ال F major score أو ال precision ال first

490
00:44:05,330 --> 00:44:07,690
class اللي موجود عندي هان

491
00:44:15,790 --> 00:44:20,710
بنفس الكيفية اللي موجودة عندي هان بدي أسميها

492
00:44:20,710 --> 00:44:29,190
precision equal matrix dot precision underscore

493
00:44:29,190 --> 00:44:35,950
score وبدي أعطيه المجموعتين ولمّا انا بدي أقوله

494
00:44:35,950 --> 00:44:41,010
pre قطعليه لا إله إلا الله

495
00:44:48,420 --> 00:44:55,240
بتحملوني شو هساولكم يعني 65 اللي بعدها احسن من ال

496
00:44:55,240 --> 00:45:01,800
recallفالأمور كلها بالشكل هذا اللي هتتجمع طبعاً

497
00:45:01,800 --> 00:45:04,560
لاحظوا الـ Acrylic Model ككل الـ Precision الـ

498
00:45:04,560 --> 00:45:07,900
First Class الـ Recall الـ First Class هيك هيك هيك

499
00:45:07,900 --> 00:45:11,560
هيك هيك هيك هيك هيك هيك هيك هيك هيك هيك هيك هيك

500
00:45:11,560 --> 00:45:18,080
هيك هيك هيك

501
00:45:29,740 --> 00:45:38,460
بارضه، رأيي صارت بدخلعة ودنيا جماعة الخير No

502
00:45:38,460 --> 00:45:43,740
attribute

503
00:45:43,740 --> 00:45:53,160
recall underscore score أو

504
00:45:53,160 --> 00:45:53,840
الـ F major

505
00:46:04,040 --> 00:46:10,680
F1 equal matrix F1

506
00:46:10,680 --> 00:46:18,160
underscore F1

507
00:46:21,880 --> 00:46:26,800
أخر شغلة، أنا ممكن أجيب كل الـValues مع بعضها من

508
00:46:26,800 --> 00:46:31,520
خلال شغلة نسميها الـClassification Report

509
00:46:31,520 --> 00:46:37,800
الـClassification Report ممكن يساعدني بشكل كتير

510
00:46:37,800 --> 00:46:41,520
بحيث أنه أنا محتاجش أن أكتب كل حاجة مع بعضها

511
00:46:41,520 --> 00:46:45,400
Classification

512
00:46:45,400 --> 00:46:45,900
Report

513
00:46:50,530 --> 00:46:57,750
أو الـ CLS underscore report بيساوي matrix dot

514
00:46:57,750 --> 00:47:01,430
classification

515
00:47:01,430 --> 00:47:10,310
underscore report بدي أدّيله الـ method أو عفوًا

516
00:47:10,310 --> 00:47:14,010
الـ to function أو أزوده بالـ predicted بالـ to

517
00:47:14,010 --> 00:47:18,670
label والـ predicted label وحروح أقول له هانطبع

518
00:47:18,670 --> 00:47:19,890
ليه ال classifier

519
00:47:23,050 --> 00:47:26,830
«Reclassification Report» وهنا جاب لي الرابورت

520
00:47:26,830 --> 00:47:32,290
الكامل بدأ بالـ «Precision» والـ «Recall» والـ «F

521
00:47:32,290 --> 00:47:36,090
Score» أي القيم التلاتة اللي موجودة عندها للـ

522
00:47:36,090 --> 00:47:41,470
«Class» طبعاً لل «Class Zero» لأن الـ «Record»

523
00:47:41,470 --> 00:47:45,430
لازم يبين كل القيم لازم يبين كل حاجة الآن الـ

524
00:47:45,430 --> 00:47:51,210
«Recall» هيالـ Precision

525
00:47:51,210 --> 00:47:55,870
تلاتة و تمانين الـ Recall تسعة و سمعين الـ F-score

526
00:47:55,870 --> 00:48:07,230
والـ Accuracy وينها؟ ليش هي كتر داخلات مع بعض؟

527
00:48:15,290 --> 00:48:21,970
الـ Accuracy بشكل عام هي 73 لماذا

528
00:48:21,970 --> 00:48:26,930
72.72؟ هنا في الـ robot عمل الـ Roundation أو

529
00:48:26,930 --> 00:48:32,090
القيم اللي موجودة عندك هنا فهي فعليا 72.72 فبعمل

530
00:48:32,090 --> 00:48:34,950
الـ Roundation الآن الـ Recall الـ Zero زي ما قلنا

531
00:48:34,950 --> 00:48:38,090
6.7 الـ Precision والـ Recall الـ Class الأول

532
00:48:43,190 --> 00:48:49,230
هي ال class number one لما

533
00:48:49,230 --> 00:48:56,040
قلت له احسب ال precision جالي 66هذه هي تقريبًا الـ

534
00:48:56,040 --> 00:49:03,800
55.كذا الـ Z الـ 56 الـ recall اللي هي 55.8 بعملها

535
00:49:03,800 --> 00:49:10,240
تقريبًا ال F score اللي كانت بتمثل الـ 60 تمام؟

536
00:49:10,240 --> 00:49:13,960
وال support لل values اللي موجودة عندها فهي في ال

537
00:49:13,960 --> 00:49:16,880
report هذا أنا جيبت كل ال values بالنسبة لي لمرة

538
00:49:17,890 --> 00:49:23,690
واحدة، بتمنى يكون الفيديو هذا يوضحلكم فعليًا إيش

539
00:49:23,690 --> 00:49:27,590
أنا محتاج في ال classification طبعًا هذا الكلام

540
00:49:27,590 --> 00:49:32,170
بده يتطبق مع كل data set أو مع كل classification

541
00:49:32,170 --> 00:49:36,630
model وكل classification model فيه خاصية معينة،

542
00:49:36,630 --> 00:49:40,210
يمكن يكون الشغل الوحيد الآن في الاختلاف عندكم اللي

543
00:49:40,210 --> 00:49:42,770
هي استدعاء ال classifierباريخ الاستفعال الـ

544
00:49:42,770 --> 00:49:47,870
Classifier بينما الـ Fit حتظل ثابت للجميع، الـ

545
00:49:47,870 --> 00:49:51,270
Predict حتظل ثابت للجميع، والـ Measurement حتظل

546
00:49:51,270 --> 00:49:56,590
موجودة لكل العناع، لكل ال Classifiers بنفس

547
00:49:56,590 --> 00:50:00,910
الكيفية، أنا هيك خلصت، بتمنى إن شاء الله تعالى

548
00:50:04,250 --> 00:50:07,330
بأتمنى على الله تبارك وتعالى أن أكون فعليًا وفقة

549
00:50:07,330 --> 00:50:10,850
اللي لان خلال التسجيل السابق أن أنا أوضحكم موضوع

550
00:50:10,850 --> 00:50:16,390
الـ Classification ومن خلاله استخدمت الـ Canary

551
00:50:16,390 --> 00:50:20,370
Snapper واستخدمت الـ Kaggle كـ Tool مختلفة عن الـ

552
00:50:20,370 --> 00:50:24,770
IPython في الـ Local Machine الموجودة عندي إذا في

553
00:50:24,770 --> 00:50:29,270
أي سؤال حضروله لـ Next Sessionالـ Online Session

554
00:50:29,270 --> 00:50:33,690
of the Discussion أعلى وعسى أننا نقدر أن نتوفيك

555
00:50:33,690 --> 00:50:36,530
دائمًا وأبداً والسلام عليكم ورحمة الله وبركاته