كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

مقارنة خوارزميات تعلم الآلة

متقدمتصنيف Classification

وصف المشكلة

مقارنة منهجية لست خوارزميات تصنيف على بيانات Wine الحقيقية بنفس التقسيم والمقاييس، وفهم أثر التطبيع والإعدادات الافتراضية على النتيجة.

الأهداف

  • تصميم مقارنة عادلة (نفس الطيات والمقاييس)
  • قراءة الانحراف المعياري لا المتوسط فقط
  • فهم أثر التطبيع

نوع المشكلة

تصنيف Classification

مجموعة البيانات

الأدوات المستخدمة

الخوارزميات

خطوات التنفيذ

  1. افتح algorithms-comparison.ows في Orange: ست خوارزميات متصلة بـ Test and Score واحد.
  2. في WEKA: Experimenter ← أضف wine.arff وست خوارزميات ← Run ← Analyse مع Paired T-Tester.
  3. استخدم مختبر مقارنة النماذج في الأكاديمية لتجربة سريعة في المتصفح.

مخطط سير العمل

قراءة البياناتمعالجة وتحويلنموذج / خوارزميةتنبؤتقييمعرض وتصوير

Orange

FileFileData TableData TableTest and ScoreTest and ScoreTreeTreeRandom ForestRandom ForestkNNkNNSVMSVMLogistic RegressionLogistic RegressionNaive BayesNaive BayesConfusion MatrixConfusion MatrixScatter PlotScatter Plot
مرسوم من ملف سير العمل بصيغة OWS المرفق بالمشروع: افتحه في Orange لتجد العناصر (Widgets) والاتصالات نفسها.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (10)
  • File → Data Table
  • File → Test and Score
  • Tree → Test and Score
  • Random Forest → Test and Score
  • kNN → Test and Score
  • SVM → Test and Score
  • Logistic Regression → Test and Score
  • Naive Bayes → Test and Score
  • Test and Score → Confusion Matrix
  • File → Scatter Plot

KNIME

CSV ReaderCSV ReaderPartitioningPartitioningDecision Tree LearnerDecision TreeLearnerDecision Tree PredictorDecision TreePredictorScorerScorerRandom Forest LearnerRandom ForestLearnerRandom Forest PredictorRandom ForestPredictorScorerScorerK Nearest NeighborK Nearest NeighborScorerScorer
مخطط توضيحي بأسماء عُقد KNIME (Nodes) كما تظهر في مستودع العُقد، لتبنيه بنفسك بالترتيب نفسه؛ وليس ملف KNIME بصيغة KNWF.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (11)
  • CSV Reader → Partitioning
  • Partitioning → Decision Tree Learner
  • Decision Tree Learner → Decision Tree Predictor
  • Decision Tree Predictor → Scorer
  • Partitioning → Decision Tree Predictor
  • Partitioning → Random Forest Learner
  • Random Forest Learner → Random Forest Predictor
  • Random Forest Predictor → Scorer
  • Partitioning → Random Forest Predictor
  • Partitioning → K Nearest Neighbor
  • K Nearest Neighbor → Scorer

ملفات المشروع

ملفات KNIME Workflow بصيغة KNWF غير مرفقة في هذا الإصدار لأننا لم نبنها ونختبرها داخل KNIME نفسها؛ مخطط عُقد KNIME مرسوم أعلاه لتبنيه بنفسك.

النتائج

نتائج فعلية محسوبة على الملفات المرفقة

مرجع scikit-learn 1.9.1، 10-fold stratified CV, shuffle, random_state=42:
• Decision Tree: Accuracy 90.0% (± 7.8%)، F1-macro 0.902
• Random Forest: Accuracy 98.9% (± 2.2%)، F1-macro 0.989
• kNN (k=5): Accuracy 97.2% (± 4.5%)، F1-macro 0.973
• SVM (RBF): Accuracy 97.8% (± 3.7%)، F1-macro 0.977
• Logistic Regression: Accuracy 98.3% (± 2.5%)، F1-macro 0.983
• Naive Bayes: Accuracy 97.8% (± 3.7%)، F1-macro 0.978
مرجع scikit-learn يطبّع الخصائص قبل kNN وSVM وLogistic Regression.
ونتائج مكتبة Orange 3.41.0 (10-fold، كإعدادات Test and Score الافتراضية):
• Tree: CA 91.0%، F1 0.910، AUC 0.931
• Random Forest: CA 97.2%، F1 0.972، AUC 0.997
• kNN: CA 67.4%، F1 0.667، AUC 0.865
• SVM: CA 98.3%، F1 0.983، AUC 0.987
• Logistic Regression: CA 94.4%، F1 0.944، AUC 0.992
• Naive Bayes: CA 97.2%، F1 0.972، AUC 0.997

مقاييس التقييم

  • Accuracy مع الانحراف المعياري
  • F1-macro
  • ROC AUC

تفسير النتائج

أغلب الخوارزميات تتجاوز 97% في مرجع scikit-learn، والفروق بينها داخل الانحراف المعياري، فلا يصح إعلان «فائز» دون اختبار إحصائي. لاحظ هبوط kNN في Orange إلى 67.4% لأن المسافات تحسب هنا على خصائص غير مطبّعة (البرولين بالمئات يطغى على البقية)؛ أضف Preprocess ← Normalize قبل kNN وأعد التجربة؛ تحققنا بمكتبة Orange نفسها أن إضافة التطبيع ترفع kNN إلى 96.1% بالطيات ذاتها.

أسئلة للمناقشة

  • لماذا لا نحكم بالفائز من فرق 0.5%؟
  • ما أثر التطبيع على kNN وSVM وعلى الأشجار؟
  • كيف تصمم مقارنة لا تتسرب فيها معلومات الاختبار إلى التطبيع؟

جرّبه في مختبر مقارنة النماذج

مشاريع مشابهة