مشروع تصنيف الصور باستخدام Python

درّب مصنفاً يتعرف على الأرقام المكتوبة باليد من مجموعة digits المضمنة في scikit-learn (1797 صورة 8×8)، وقارن نموذجين، وحلل الأخطاء بمصفوفة الالتباس.

15–17 سنةمتقدم60 دقائقPython، scikit-learn، matplotlib (اختياري)مبتكر الذكاء الاصطناعي

الأهداف

  • أن أحمّل بيانات صور وأحولها إلى متجهات خصائص.
  • أن أدرّب نموذجين وأقارن بينهما بعدل.
  • أن أحلل أخطاء النموذج.

الأدوات

  • Python 3
  • pip install scikit-learn

المتطلبات

  • درس «مقدمة في تعلم الآلة وScikit-learn»

خطوات التنفيذ

علّم كل خطوة تنجزها؛ تُحفظ العلامات على جهازك فقط.

الكود

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, confusion_matrix

X, y = load_digits(return_X_y=True)
print("عدد الصور:", X.shape[0], "عدد الخصائص:", X.shape[1])
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42, stratify=y)

models = {
    "kNN": KNeighborsClassifier(n_neighbors=3),
    "SVM": SVC(gamma=0.001, C=10),
}
for name, model in models.items():
    model.fit(X_train, y_train)
    pred = model.predict(X_test)
    print(name, "accuracy =", round(accuracy_score(y_test, pred), 3))

cm = confusion_matrix(y_test, models["SVM"].predict(X_test))
print(cm)

النتيجة المتوقعة

يطبع البرنامج عدد الصور (1797) والخصائص (64)، ودقة كل نموذج على بيانات الاختبار، ومصفوفة الالتباس 10×10. تختلف الأرقام الدقيقة قليلاً حسب إصدار المكتبة.

أسئلة التقييم

  1. لماذا استخدمنا stratify=y؟
  2. أي رقمين خلط بينهما النموذج أكثر؟ ولماذا قد يتشابهان؟
  3. لماذا لا نختار المعاملات بناءً على دقة الاختبار؟