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

تصنيف سرطان الثدي

متوسطتصنيف Classification

مشروع تعليمي وبحثي فقط: نتائجه لا تُعد تشخيصاً طبياً ولا تُستخدم لاتخاذ أي قرار علاجي.

وصف المشكلة

تصنيف كتل الثدي إلى حميدة أو خبيثة من 30 خاصية محسوبة من صور خزعات (بيانات Wisconsin الحقيقية). مشروع تعليمي وبحثي فقط: نتائجه لا تُعد تشخيصاً طبياً ولا تُستخدم لاتخاذ قرار علاجي.

الأهداف

  • مقارنة أربعة مصنفات
  • قراءة Recall للفئة الخبيثة وأهميتها
  • استخدام منحنى ROC

نوع المشكلة

تصنيف Classification

مجموعة البيانات

الأدوات المستخدمة

الخوارزميات

خطوات التنفيذ

  1. افتح breast-cancer-classification.ows في Orange.
  2. في Test and Score: Cross validation 10 طيات، وقارن Random Forest وSVM وLogistic Regression وkNN.
  3. اختر الفئة malignant في ROC Analysis.
  4. في Confusion Matrix ركّز على الحالات الخبيثة المصنفة حميدة (سلبيات كاذبة).

مخطط سير العمل

قراءة البياناتمعالجة وتحويلنموذج / خوارزميةتنبؤتقييمعرض وتصوير

Orange

FileFileData TableData TableTest and ScoreTest and ScoreRandom ForestRandom ForestSVMSVMLogistic RegressionLogistic RegressionkNNkNNConfusion MatrixConfusion MatrixROC AnalysisROC AnalysisScatter 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 (9)
  • File → Data Table
  • File → Test and Score
  • Random Forest → Test and Score
  • SVM → Test and Score
  • Logistic Regression → Test and Score
  • kNN → Test and Score
  • Test and Score → Confusion Matrix
  • Test and Score → ROC Analysis
  • File → Scatter Plot

KNIME

CSV ReaderCSV ReaderPartitioningPartitioningLogistic Regression LearnerLogistic RegressionLearnerLogistic Regression PredictorLogistic RegressionPredictorScorerScorerRandom Forest LearnerRandom ForestLearnerRandom Forest PredictorRandom ForestPredictorScorerScorerROC CurveROC Curve
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 (10)
  • CSV Reader → Partitioning
  • Partitioning → Logistic Regression Learner
  • Logistic Regression Learner → Logistic Regression Predictor
  • Logistic Regression Predictor → Scorer
  • Partitioning → Logistic Regression Predictor
  • Partitioning → Random Forest Learner
  • Random Forest Learner → Random Forest Predictor
  • Random Forest Predictor → Scorer
  • Partitioning → Random Forest Predictor
  • Logistic Regression Predictor → ROC Curve

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:
• Random Forest: Accuracy 95.6% (± 2.4%)، F1-macro 0.953
• SVM (RBF): Accuracy 97.5% (± 2.0%)، F1-macro 0.974
• Logistic Regression: Accuracy 97.5% (± 2.0%)، F1-macro 0.973
• kNN (k=5): Accuracy 97.0% (± 1.8%)، F1-macro 0.967
ونتائج مكتبة Orange 3.41.0 (10-fold، كإعدادات Test and Score الافتراضية):
• Random Forest: CA 96.1%، F1 0.961، AUC 0.987
• SVM: CA 97.5%، F1 0.975، AUC 0.972
• Logistic Regression: CA 94.6%، F1 0.945، AUC 0.990
• kNN: CA 93.3%، F1 0.933، AUC 0.960

مقاييس التقييم

  • Accuracy
  • Recall للفئة الخبيثة
  • ROC AUC
  • Confusion Matrix

تفسير النتائج

النماذج الخطية مع التطبيع (Logistic Regression وSVM) تصل إلى نحو 97.5% في مرجع scikit-learn. في هذا السياق الخطأ الأخطر هو السلبي الكاذب، لذلك نهتم بـ Recall للفئة الخبيثة أكثر من الدقة الكلية. مشروع تعليمي وبحثي فقط: نتائجه لا تُعد تشخيصاً طبياً ولا تُستخدم لاتخاذ قرار علاجي.

أسئلة للمناقشة

  • لماذا لا تكفي الدقة الكلية في المشكلات الطبية؟
  • كيف تغيّر عتبة القرار التوازن بين Precision وRecall؟
  • ما المخاطر الأخلاقية لنشر نموذج كهذا دون تحقق سريري؟

جرّبه في مختبر تقييم النماذج

مشاريع مشابهة