1
00:00:00,000 --> 00:00:02,940
بسم الله والحمد لله والصلاة والسلام على رسول الله

2
00:00:02,940 --> 00:00:07,260
أهلا وسهلا فيكم بالمحاضرة الثانية في ال regression

3
00:00:07,260 --> 00:00:12,580
وهنا هنتكلم عن ال multiple regression كنا في

4
00:00:12,580 --> 00:00:16,400
المحاضرة الماضية اتكلمنا عن ال simple linear

5
00:00:16,400 --> 00:00:19,440
regression وقلنا simple linear regression معناته

6
00:00:19,440 --> 00:00:23,960
انا عندي معادلة خط مستقيم واحد فقط اللي هي Y عفوا

7
00:00:23,960 --> 00:00:25,400
خليني ادهر ال pointer

8
00:00:37,800 --> 00:00:44,480
قلنا في معادلة الخط المستقيم أن الـ Y تساوي الـ M

9
00:00:44,480 --> 00:00:59,140
X زائد الـ B وقلنا أن الـ M عندها تساوي

10
00:00:59,140 --> 00:01:14,070
مجميع X I ناقص وتوسط Xمضروبة في Y I ناقص متوسط الـ

11
00:01:14,070 --> 00:01:19,330
Y على مجموع

12
00:01:19,330 --> 00:01:30,310
X I ناقص متوسط الـ X كل تربيع والـ B

13
00:01:33,710 --> 00:01:39,590
متوسط Y ناقص M

14
00:01:42,630 --> 00:01:47,090
الـ X فشوفنا مع بعض كيف احنا وصلنا للمعادلة او

15
00:01:47,090 --> 00:01:49,950
اشتغلنا مع بعض وشوفنا ال simple linear regression

16
00:01:49,950 --> 00:01:52,590
اليوم ان شاء الله تعالى هنتكلم على ال multiple زي

17
00:01:52,590 --> 00:01:55,470
ما وعدناكم هنتكلم على ال multiple regression وما

18
00:01:55,470 --> 00:01:58,210
زلت بتكلم على ال simple linear regression ال

19
00:01:58,210 --> 00:02:01,450
regression لكنه بتكلم على المultiple الان لما انا

20
00:02:01,450 --> 00:02:03,510
بتكلم على ال multiple regression معناته انا بدى

21
00:02:03,510 --> 00:02:07,270
اتنبأ بالعلاقة زي ما قلنا سابقا بين ال multiple

22
00:02:07,270 --> 00:02:11,010
attributes او multiple variables في عندي more than

23
00:02:12,010 --> 00:02:14,770
one independent attribute وقلنا من الأمثلة

24
00:02:14,770 --> 00:02:19,510
الموجودة عليها ال income و ال education أو تأثير

25
00:02:19,510 --> 00:02:22,830
ال income و ال education و ال living area على

26
00:02:22,830 --> 00:02:26,730
تأثير

27
00:02:26,730 --> 00:02:31,610
قيمة الدخل و التعليم على المنطقة اللي يعيش فيها

28
00:02:31,610 --> 00:02:35,290
الشخص اللي موجود عندها طبعا لما بتكلم على زيادة

29
00:02:35,290 --> 00:02:38,410
عدد ال variables أو عدد ال independent variables

30
00:02:39,300 --> 00:02:43,460
معناته أنا بزيد من تعقيد عملية ال prediction لأنه

31
00:02:43,460 --> 00:02:47,460
انا فعليا بدي اتكلم على .. بدي اوجد علاقة ما بين

32
00:02:47,460 --> 00:02:50,660
كل ال attributes هذه مجتمعها طبعا يا جماعة الخير

33
00:02:50,660 --> 00:02:55,220
عشان بس قبل ما انا اتكلم شغلة ليش احنا بالتحديد

34
00:02:55,220 --> 00:03:00,660
قولنا linear regression معادلة خطية لأنه الرتبة

35
00:03:00,660 --> 00:03:05,360
تبعتها هي لاحظوا يا جماعة الخير انا بتكلم

36
00:03:08,290 --> 00:03:11,430
لما كنت بتكلم على الـ simple regression عفوا بالـ

37
00:03:11,430 --> 00:03:15,170
simple regression عندي x و y ففي الآخر المعادلة

38
00:03:15,170 --> 00:03:19,930
تبعت سواء كانت خط مستقيم أو polynomial بغض النظر

39
00:03:19,930 --> 00:03:26,930
عن طبيعتها أنا في الآخر بتكلم في العلاقة في الـ 2D

40
00:03:26,930 --> 00:03:31,230
ليش؟ لأن في عندي two attributes تمام طب لو كانوا

41
00:03:31,230 --> 00:03:33,650
في عندي three attributes two independent و one

42
00:03:33,650 --> 00:03:37,550
dependent معناته بتكلم على 3D طب لو كانوا four

43
00:03:38,380 --> 00:03:43,020
طبعا، لاحظوا معايا في الـ linear .. linear هنصف

44
00:03:43,020 --> 00:03:49,460
بقول خط طيب، هل ممكن يكون في عندي linear multiple

45
00:03:49,460 --> 00:03:53,260
attributes؟ أه ممكن طبعا، تعالي خلينا نتخيل

46
00:03:53,260 --> 00:03:55,920
المعادلة تبعتي بالشكل هذا ال multiple regression

47
00:03:55,920 --> 00:03:58,340
لما يكون في عندك K independent attributes، هيوم

48
00:03:58,340 --> 00:04:02,660
إيش هكونها؟ طبعا، بتكلم عن linear regression لأن

49
00:04:02,660 --> 00:04:06,560
أعلى قيمة أو أعلى أصلة X بتكون واحد، هاي المفهوم

50
00:04:06,560 --> 00:04:13,730
ال linearالان الـ predicted y بيتساوي ال intercept

51
00:04:13,730 --> 00:04:22,970
B0 زائد ال mail M1 في X1 زائد M2 في X2 زائد زائد

52
00:04:22,970 --> 00:04:29,010
Mk أو Bk في Xk ولمّا أنا بدي أجي أرسم معادلة بشكل

53
00:04:29,010 --> 00:04:32,290
هذا أبسط المعادلات اللي ممكن أستوعبها أنا في الرسم

54
00:04:32,290 --> 00:04:35,950
بعد هيكلما يكون لدي two independent variables ها

55
00:04:35,950 --> 00:04:41,050
هي X1 و X2 two independent variables مع ال

56
00:04:41,050 --> 00:04:45,050
dependent variables صاروا three attributes عشان

57
00:04:45,050 --> 00:04:48,830
اقدر امثلهم انا او اتخيلهم صح بدي اتخيل ال 3D

58
00:04:48,830 --> 00:04:52,670
space ممتاز طيب المعادلة الخطية في ال 3D space

59
00:04:52,670 --> 00:04:57,050
معناته هي بتتكلم على surface سطح والسطح هذا

60
00:04:57,050 --> 00:05:03,840
الومنين ميل هيكونمع الـ X و ميلم بيكون مع الـ X

61
00:05:03,840 --> 00:05:06,000
التاني أو المحور التاني بما أن أنا في عيني الـ 2X

62
00:05:06,000 --> 00:05:09,680
X1 و X2 و الـ Y ثابتة لأن الـ Y هي الـ predicted

63
00:05:09,680 --> 00:05:13,860
value و أنا في عندي X1 و X2 بما أن في عندي ميلم مع

64
00:05:13,860 --> 00:05:20,400
X1 و X2 وبناءً عليه أنا بتتكلم على معادلة خطية

65
00:05:20,400 --> 00:05:26,260
لكنها في الـ 3D تمام، الآن لو أنا أفضل أو أعمل

66
00:05:26,260 --> 00:05:31,140
predictionبالـ python بتمنى هذه الجزئية تكون سهلة

67
00:05:31,140 --> 00:05:34,320
يعني مافيش فيها كلام انت بدك تستوعب طب لو كان في

68
00:05:34,320 --> 00:05:36,440
عندي انا four attribute three independent

69
00:05:36,440 --> 00:05:40,180
attribute جماعة الخير three independent attribute

70
00:05:40,180 --> 00:05:44,540
و one independent attribute يعني صاروا اربعة ايش

71
00:05:44,540 --> 00:05:48,200
الشكل تبعي اللي احب اتخيله في ال space في ال 4D

72
00:05:48,200 --> 00:05:51,900
بسيط بتكلم على space مكعب ممكن تكون هذا ال space

73
00:05:51,900 --> 00:05:57,480
cubeالمفروض عندما أزيد عدد الـ Attributes سأزيد

74
00:05:57,480 --> 00:06:01,880
مخيلتي لكي أتكلم عليها لكن بفضل الله تبارك وتعالى

75
00:06:01,880 --> 00:06:06,220
نحن بعد الـ 3D بنبطل نستوعب أيش اللي ممكن أصير

76
00:06:06,220 --> 00:06:09,520
الآن بتعالي نشوف بالـ Python بدي أشغل على نفس

77
00:06:09,520 --> 00:06:12,780
الطريقة أو نفس الفكرة السابقة استخدمت الـ NumPy

78
00:06:12,780 --> 00:06:17,440
وروح وقلت له أنا في عندي Array لكن كل رو في الـ

79
00:06:17,440 --> 00:06:21,840
Array بيحتوي على two attributes أو two variables

80
00:06:23,550 --> 00:06:27,310
خمسة و ثلاثة يعني ال attribute X1 خمسة في الصف

81
00:06:27,310 --> 00:06:33,670
الأول X2 ثلاثة X1 سبعة X2 خمسة و هكذا و ال Y ده هي

82
00:06:33,670 --> 00:06:37,670
ال value تبعتهم لاحظوا ماتغيرش معايا ولا حاجة انا

83
00:06:37,670 --> 00:06:43,670
غير انه غيرت بس ال X ال attributes تبعتي صارت في

84
00:06:43,670 --> 00:06:47,770
ال 2D dimension 2D array و لاحظوا ماكنت لشري shape

85
00:06:47,770 --> 00:06:53,060
لأنه خلاص ليش لأن انا كنت بده حلقت في صفوففي صفوف

86
00:06:53,060 --> 00:06:56,380
وانتهى الأمر هنا مافيش داعي ان اعمله Reshape الـ y

87
00:06:56,380 --> 00:07:02,340
.unarray وهي ال target attribute تبعتي نفس الكلام

88
00:07:02,340 --> 00:07:06,020
from ASCII learn.linear model import linear

89
00:07:06,020 --> 00:07:09,520
regression بنيت الموديل وعملته له fit فهنا راح

90
00:07:09,520 --> 00:07:14,850
تعرف او بنى الموديل وحدد ال interceptأحدد قيمة الـ

91
00:07:14,850 --> 00:07:18,810
slope للـ attribute الأول والـ attribute التاني أو

92
00:07:18,810 --> 00:07:20,810
الـ coefficient للـ attribute الأول والـ attribute

93
00:07:20,810 --> 00:07:24,230
التاني لو أنا طبعت بنفس القالية السابقة قلت له ال

94
00:07:24,230 --> 00:07:28,390
model.coefficient و ال model.intercept طبع ليهم،

95
00:07:28,390 --> 00:07:34,170
لاحظوا أنه طبع ليها ال model.coefficient جاب ليهم

96
00:07:34,170 --> 00:07:38,430
على إنهم مصفوفة لأ و فيها two variablesأو two

97
00:07:38,430 --> 00:07:42,930
values ليش؟ لأن أنا فعليًا عندي two independent

98
00:07:42,930 --> 00:07:47,550
attributes X1 و X2 فانا روحت بس جملتها أكتر و

99
00:07:47,550 --> 00:07:50,190
فصلتهم و طبعتهم بالشكل هذا قلت له model

100
00:07:50,190 --> 00:07:55,410
.coefficient 0 عشان أجيب القيمة الأولى ضربتها في

101
00:07:55,410 --> 00:07:59,670
X1 as a text زائد عشان أطبع معادلة الخط ال .. أو

102
00:07:59,670 --> 00:08:05,630
بلاش ال .. ال linear space اللي موجود عندي هذا

103
00:08:09,310 --> 00:08:12,310
تمام وبالتالي ما اتغيرش عندى في الشغل ولا حاجة انه

104
00:08:12,310 --> 00:08:14,730
غير انه data set طب لو انا بعد data set بعد شو بدأ

105
00:08:14,730 --> 00:08:18,250
اساوي بدل ما كنت انا تصيت او اخدت عمود واحد الآن

106
00:08:18,250 --> 00:08:21,630
بدأ اخد عمودين او تلاتة او اربع عشان ال linear

107
00:08:21,630 --> 00:08:25,290
regression اللي مولود خلينا ننتقل لل nonlinear مش

108
00:08:25,290 --> 00:08:28,750
ضايل كتير عندنا في ال slides nonlinear regression

109
00:08:28,750 --> 00:08:33,770
nonlinear معناته انا بتكلم على nonlinear line انا

110
00:08:33,770 --> 00:08:38,460
في عندي خط لكن الخط هذا غير مستقيمأو ممكن يكون في

111
00:08:38,460 --> 00:08:41,880
عندي surface ال surface هذا ممكن يكون على شكل

112
00:08:41,880 --> 00:08:45,780
دائرة

113
00:08:45,780 --> 00:08:52,280
مائلة أو slow أو ellipse بالشكل هذا فانا الآن بقلت

114
00:08:52,280 --> 00:09:00,700
تتكلم على خط مستقيم الآن لما ال data مابتظهرش عندي

115
00:09:00,700 --> 00:09:01,980
linear dependency

116
00:09:08,540 --> 00:09:12,100
معناته انا ممكن ادور على accurate او احصل على

117
00:09:12,100 --> 00:09:14,460
accurate model لو في حالة ان كان في عندي non

118
00:09:14,460 --> 00:09:16,700
linear regression يعني بين قرصين الجامعة التخيار

119
00:09:16,700 --> 00:09:21,120
انا ممكن اجرب و اجرب ال linear و اجرب ال non

120
00:09:21,120 --> 00:09:24,660
linear و اشوف ايش المعادلة الأفضل example لو انا

121
00:09:24,660 --> 00:09:29,940
قلتلك هى في عندى y تساوي w0 ال intercept لو انا

122
00:09:29,940 --> 00:09:33,820
بدى اتكلم على معادل خط اللى هى نقطة التقاطع مع ال

123
00:09:33,820 --> 00:09:40,050
yيوجد الـ Y و الـ W الـ coefficient تبع المتغير

124
00:09:40,050 --> 00:09:46,310
الأول العلاقة الخطية الـ Y و W الـ W الـ Y و W الـ

125
00:09:46,310 --> 00:09:49,350
W الـ Y و W الـ W الـ Y و W الـ Y و W الـ Y و W

126
00:09:49,350 --> 00:09:49,630
الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W

127
00:09:49,630 --> 00:09:49,630
الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W

128
00:09:49,630 --> 00:09:50,770
الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W

129
00:09:50,770 --> 00:09:50,770
الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W

130
00:09:50,770 --> 00:09:50,770
الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W

131
00:09:50,770 --> 00:09:56,070
الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W

132
00:09:56,070 --> 00:10:02,610
الـ Y و W الـالـ equation تبعتي بتاخد different

133
00:10:02,610 --> 00:10:06,910
forms أشكال مختلفة زي ما شوفنا في ملف ال Excel و

134
00:10:06,910 --> 00:10:11,670
هنرجع لها على السريع في ملف ال Excel لما قلت له ال

135
00:10:11,670 --> 00:10:15,970
line trend أو ال trend line كان فيه عنده

136
00:10:15,970 --> 00:10:18,450
exponential عنده linear عنده logarithmic عنده

137
00:10:18,450 --> 00:10:22,330
polynomial عنده power إلى آخره الآن أنا فيه عنده

138
00:10:22,330 --> 00:10:29,910
ال exponential والعلاقة ما بين ال y و ال xإن الـ X

139
00:10:29,910 --> 00:10:35,370
موجودة كأُص للـ exponential value E أُص B ضرب X و

140
00:10:35,370 --> 00:10:38,510
الـ B هي الـ intercept اللي احنا بتكلم عليها يعني

141
00:10:38,510 --> 00:10:45,430
ال coefficient تبعت ال X ال power value برضه

142
00:10:45,430 --> 00:10:50,150
أنا ما زلت بتتكلم هنا هذه

143
00:10:50,150 --> 00:10:53,830
المعادلة اللي موجودة عندي هنا ال growth saturation

144
00:10:53,830 --> 00:10:58,970
model تبعتيو في عندى ال polynomial اللى احنا

145
00:10:58,970 --> 00:11:05,790
شوفناها قبل لحظات polynomial هذا الرسمة لو كان

146
00:11:05,790 --> 00:11:08,230
عندى بيانات و روحت رسمتها و قلت لها ارسملي ال

147
00:11:08,230 --> 00:11:13,010
trend اللى موجود ارسملي المعادلة اللى موجودة مش

148
00:11:13,010 --> 00:11:16,150
هكون في عندي مشكلة لان هذه مستحيل انا الاقي خط

149
00:11:16,150 --> 00:11:25,530
مستقيم ما بين النقطة هاي نقفون النقطة هاي و النقطة

150
00:11:25,530 --> 00:11:30,270
هاي مباشرةلحظه ليش؟ لأن الخط المستقيم أبعد لكن لو

151
00:11:30,270 --> 00:11:32,710
انت قلتله والله انا ممكن اتكلم عن خط مستقيم في

152
00:11:32,710 --> 00:11:37,310
المنطقة high نسبة الخطأ أقل لكن في الأول مستحيل

153
00:11:37,310 --> 00:11:40,430
يكون لكن واضح ان ال trend تبعها non-linear

154
00:11:42,880 --> 00:11:47,180
يعني انا بدي اجرب و احاول للفهم لل data و علاقة ال

155
00:11:47,180 --> 00:11:50,420
attributes اللي اشتغل عليها هو اللي بيحدد انا فعلا

156
00:11:50,420 --> 00:11:54,380
هشغل على linear ولا على non-linear طيب في الموضوع

157
00:11:54,380 --> 00:11:56,900
ال evaluation يا جماعة الخير في الموضوع ال

158
00:11:56,900 --> 00:12:02,000
evaluation انا بدي في عندي prediction في عندي true

159
00:12:02,000 --> 00:12:07,980
values هي لأن خليناأهم metric لقياس ال regression

160
00:12:07,980 --> 00:12:12,700
هو الـ root mean square error والبعض يعتمد فقط على

161
00:12:12,700 --> 00:12:15,600
الـ mean square error وليس فارق كتير لأنني أريد

162
00:12:15,600 --> 00:12:19,020
فرق و أزيل الجذر بعد ذلك لكن الـ root mean square

163
00:12:19,020 --> 00:12:22,540
error ماهو ال error اللي موجود عندي؟ ال error هي

164
00:12:22,540 --> 00:12:27,450
عبارة عن ال actual valueنقص الـ Predicted Value

165
00:12:27,450 --> 00:12:30,610
لان انا بتكلم على continuous بتكلم على continuous

166
00:12:30,610 --> 00:12:34,270
value انا عمال ال prediction و ال actual value

167
00:12:34,270 --> 00:12:36,970
لازم تكون continuous الفرق بينهم هو نسبة الخطأ

168
00:12:36,970 --> 00:12:40,070
اللي موجود عندها لو بدي اجي للرسم يا جماعة الخير

169
00:12:40,070 --> 00:12:44,830
هذه النقطة بتمثل ال actual point النقطة الحقيقية

170
00:12:44,830 --> 00:12:50,490
مصبوط؟ طيب و ال predicted value تبعتها اللي هتكون

171
00:12:50,490 --> 00:12:55,890
هنا اللي على الخطكذلك هنا، لاحظوا الـ distance

172
00:12:55,890 --> 00:12:59,870
المسافة اللي هنا بحسب الـ Euclidean distance اللي

173
00:12:59,870 --> 00:13:03,490
احنا شوفناها لـ predicted value ناقص ل true value

174
00:13:03,490 --> 00:13:10,210
تربيه، بصبوط؟ هاي الـ Euclidean الآن لو انا روح

175
00:13:10,210 --> 00:13:16,150
اتجمعت كل المسافات هايوجسمتها على عدد النقاط اللي

176
00:13:16,150 --> 00:13:21,190
موجودة عندها أنا بكون حصلت على الـ main square

177
00:13:21,190 --> 00:13:25,390
error الـ main square error rotated بحطهم تحت

178
00:13:25,390 --> 00:13:29,520
الجذر اللي موجود عندهاطبعا الـ Residual المقصود

179
00:13:29,520 --> 00:13:32,600
فيها المسافة أو الـ Error الموجود بين العناصر اللي

180
00:13:32,600 --> 00:13:36,340
موجودة عندك يعني بكل بساطة باخد الفروقات ما بين

181
00:13:36,340 --> 00:13:40,460
الـ Predicted Value و الـ Actual Value بربعهم بجمع

182
00:13:40,460 --> 00:13:43,820
الفروقات هذه بعد مربعات الفروقات و بجسمها على عدد

183
00:13:43,820 --> 00:13:47,860
ال test value أو ال test set اللي موجودة عندها

184
00:13:47,860 --> 00:13:53,890
طبعا لما تكونالفرق بينهم Zero معناته أنا فعليًا

185
00:13:53,890 --> 00:13:57,770
أوصلت Actually للقيمة الحقيقية اللي موجودة عندهان

186
00:13:57,770 --> 00:14:01,490
طبعًا الآن في عندي ال observation القيمة الحقيقية

187
00:14:01,490 --> 00:14:06,050
طبعًا هو عمله بغير للرسم high كل ال X أو النقطة

188
00:14:06,050 --> 00:14:08,610
السودة هي الحقيقية والخط اللي وقع الخط الأحمر

189
00:14:08,610 --> 00:14:10,950
الكلام اللي أنا شرحته سابقًا هي فعليًا ال

190
00:14:10,950 --> 00:14:15,590
predicted value اللي موجودة عندها وبالتالي مع كل

191
00:14:15,590 --> 00:14:18,870
observation أنا فعليًا عندي ال Y الحقيقية ال

192
00:14:18,870 --> 00:14:23,780
actual تساوي ال predictedزائد قيمة الخطأ اللي

193
00:14:23,780 --> 00:14:33,240
موجود بينهم تمام okay معناته انا sum of error لو

194
00:14:33,240 --> 00:14:36,540
انا بدى اجمع قيمة الخطأ فقط بجمعهم لكن احنا بنشتغل

195
00:14:36,540 --> 00:14:40,060
على squared error تعالى نشوف ال implementation

196
00:14:40,060 --> 00:14:43,840
ونشوف فعليا شغل مع data base موجودة في عندي data

197
00:14:43,840 --> 00:14:48,200
base موجودة في ال .. ال .. الascular ال diabetes

198
00:14:48,200 --> 00:14:52,320
اللي هي علاقة بمرض السكريfrom ascii learn import

199
00:14:52,320 --> 00:14:55,240
dataset linear model اعملت import لهدول الشغلتين

200
00:14:55,240 --> 00:14:59,140
مع بعض انا ال diabetes تساوي diabetes dot load

201
00:14:59,140 --> 00:15:02,420
diabetes اعملت load لل dataset و اذا بقيت اطباعها

202
00:15:02,420 --> 00:15:06,920
مش مشكلة روحت اعملت import لل non-bi طبعا انا كنت

203
00:15:06,920 --> 00:15:09,880
بدي اعمل cut عشان اخد ال X لحالة و ممكن اخده طريقة

204
00:15:09,880 --> 00:15:14,300
تانية بعيدا عن ال non-bi مش هستخدمها الآن X تساوي

205
00:15:14,300 --> 00:15:15,420
ال diabetes dot

206
00:15:18,860 --> 00:15:24,920
data 2.3 وكان شغالها على ال first attribute فقط اه

207
00:15:24,920 --> 00:15:28,120
احنا بنشغل على ال linear نحصها على ال simple

208
00:15:28,120 --> 00:15:34,240
linear فأخدت ال first attribute اللي هو ترقيه هيه

209
00:15:34,240 --> 00:15:38,020
المحصور ما بين ال index 2 و index 3 خدت one

210
00:15:38,020 --> 00:15:43,250
attribute فقطالان روحت في ال forum ال scale model

211
00:15:43,250 --> 00:15:47,910
selection روحت ال data set عملت لها split صار في

212
00:15:47,910 --> 00:15:52,330
عند X train او X test و Y train و Y test حسب ما

213
00:15:52,330 --> 00:15:55,390
بنعرف و نسبة 30% لل test set ال data set اللي

214
00:15:55,390 --> 00:15:59,870
موجود عندى يعني فيها حوالي 5000 record او اكتر

215
00:15:59,870 --> 00:16:05,040
شوية modelلينيار موديل اللي انا عملته لها

216
00:16:05,040 --> 00:16:08,280
important فوق لينيار regression اعمل fit حصلت على

217
00:16:08,280 --> 00:16:13,240
ال coefficient اللي موجود عندهان روحت و قلت له ال

218
00:16:13,240 --> 00:16:16,860
y predictه ساوي الموديل ده ت predict و زودته بال X

219
00:16:16,860 --> 00:16:21,920
test اللي موجود عندهان قلت له هيه جيب لي ال label

220
00:16:21,920 --> 00:16:25,580
هدول طبعا ال label ال predicted label ال actual

221
00:16:25,580 --> 00:16:30,140
label هيه موجود عندهان تمام فانا روحت بعد هيه قلت

222
00:16:30,140 --> 00:16:35,830
له اطبع لل interceptوالـ coefficient عشان اتأكد او

223
00:16:35,830 --> 00:16:41,950
افحص المعادلة الخطية اللى موجودة عندى وفي الآخر

224
00:16:41,950 --> 00:16:46,790
from asclean dot matrix import ال main square

225
00:16:46,790 --> 00:16:52,350
error ال main square error او ال rooted main

226
00:16:52,350 --> 00:16:56,330
squared error حسب احنا الآن هطبقها ال main square

227
00:16:56,330 --> 00:17:01,000
errorاللي في ال slide السابق هنا أنا كنت بتكلم على

228
00:17:01,000 --> 00:17:05,080
ال route route اللي هي الجدر الترديعي اللي موجود

229
00:17:05,080 --> 00:17:10,300
عندي هنا فممكن انت تستدعي كذلك ال print ال mean

230
00:17:10,300 --> 00:17:14,440
square error percent to F عشان بقى جيبلي ال two

231
00:17:14,440 --> 00:17:19,920
digits بعد الفاصلة العشرية ال mean square error هي

232
00:17:19,920 --> 00:17:22,280
الدالة اللي استدعيتها هنا او ال metric اللي

233
00:17:22,280 --> 00:17:28,150
استدعيته وزودته بالy test و ال y predicted و

234
00:17:28,150 --> 00:17:33,310
يدّيني ال value اللي موجودة عندنا وبهيك بنكون احنا

235
00:17:33,310 --> 00:17:40,430
فعليا انتهينا من موضوع ال regression شبتر زريف و

236
00:17:40,430 --> 00:17:48,510
خفيف نشتغل عليه بتمنى يكون .. بقدر توصل الفكرة

237
00:17:48,510 --> 00:17:53,690
بشكل كويس بل في عندنا شغل اخرى اللي علاقة بال

238
00:17:53,690 --> 00:17:59,090
assignmentلما أتكلم عن ال assignment أنا مش عارف

239
00:17:59,090 --> 00:18:03,730
مش عامله hide اتكلم بال assignment انه جامعة الخير

240
00:18:03,730 --> 00:18:09,790
لازم احنا نشتغل و نطبق مع بعض لازم لازم لازم الان

241
00:18:09,790 --> 00:18:16,270
ايش مطلوب منك انت في عندك data set عندك data set و

242
00:18:16,270 --> 00:18:22,560
ال data set تبعتك مخصصة لل regressionلينيار

243
00:18:22,560 --> 00:18:25,840
ريجريشن او نون لينيار ريجريشن احنا لسه عما بتعرف

244
00:18:25,840 --> 00:18:29,800
بدك تروح على ال data set اللى موجود عندكوا و تفحص

245
00:18:29,800 --> 00:18:37,060
تتعرف على ال data set اللى بشكل كويس وبعد هيك تروح

246
00:18:37,060 --> 00:18:43,520
تختار multiple multiple attribute

247
00:18:45,410 --> 00:18:53,590
تعمل تعمل تعمل تعمل regression تعمل تعمل تعمل تعمل

248
00:18:53,590 --> 00:18:55,610
تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل

249
00:18:55,610 --> 00:18:55,610
تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل

250
00:18:55,610 --> 00:18:55,650
تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل

251
00:18:55,650 --> 00:18:55,770
تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل

252
00:18:55,770 --> 00:18:55,770
تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل

253
00:18:55,770 --> 00:18:55,830
تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل تعمل

254
00:18:55,830 --> 00:19:06,590
تعمل تعمل تعمل تعمل تعمل تعمل

255
00:19:06,590 --> 00:19:09,450
ت

256
00:19:09,890 --> 00:19:13,130
تقارن بين كل الحالات اللي موجودة يعني بالتفصيل

257
00:19:13,130 --> 00:19:16,870
بالآخر بالتفصيل بدك تروح تجرب linear regression

258
00:19:16,870 --> 00:19:19,050
simple linear regression و multiple linear

259
00:19:19,050 --> 00:19:23,750
regression ماشي الحال على one attribute وعلى two

260
00:19:23,750 --> 00:19:28,770
attributes ال multiple اعتبرها two والsimple

261
00:19:28,770 --> 00:19:34,830
الاعتبرها one لكن ال multiple تكون two attributes

262
00:19:34,830 --> 00:19:38,680
at leastبتطبق عليها Linear وتطبق عليها Unlinear

263
00:19:38,680 --> 00:19:43,680
طبعا المفروض هذا يتسلم يوم اتناش اتنين لكن بما ان

264
00:19:43,680 --> 00:19:48,700
التواريخ كلها تشجلبت فهيكون في عناياش التبتيب تاني

265
00:19:48,700 --> 00:19:54,080
للتسليم وحوضح اكتر ان شاء الله تعالى ان خلال ال

266
00:19:54,080 --> 00:19:57,900
modelبتمنى لكم التوفيق واتمنى يكون الموضوع ال

267
00:19:57,900 --> 00:20:00,660
regression واضح بالنسبة لكم وإذا في أي استفسار

268
00:20:00,660 --> 00:20:04,320
الموديل من خلال الموديل أو ال email أو جلسات

269
00:20:04,320 --> 00:20:08,180
النقاش اللي هنعملها لاحقا السلام عليكم ورحمة الله

270
00:20:08,180 --> 00:20:09,220
وبركاته