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 أزهار Iris

مبتدئتصنيف Classification

وصف المشكلة

تصنيف نوع زهرة Iris (Setosa أو Versicolor أو Virginica) من أربعة قياسات للسبلة والبتلة. المشروع الأول المثالي لفهم دورة التصنيف كاملة.

الأهداف

  • قراءة جدول بيانات وتحديد عمود الهدف
  • تدريب ثلاثة مصنفات ومقارنتها بالتحقق المتقاطع
  • قراءة مصفوفة الالتباس

نوع المشكلة

تصنيف Classification

مجموعة البيانات

الأدوات المستخدمة

الخوارزميات

خطوات التنفيذ

  1. افتح سير العمل iris-classification.ows في Orange (أو أنشئه: File ← Test and Score مع Tree وkNN وLogistic Regression).
  2. تأكد في File أن species هو الهدف Target.
  3. في Test and Score اختر Cross validation بعشر طيات.
  4. صل Test and Score بـ Confusion Matrix وحدد النموذج الأفضل.
  5. في WEKA: افتح iris.arff في Explorer ثم Classify واختر J48 وIBk وLogistic.
  6. في KNIME: CSV Reader ← X-Partitioner ← Decision Tree Learner/Predictor ← X-Aggregator ← Scorer.

مخطط سير العمل

قراءة البياناتمعالجة وتحويلنموذج / خوارزميةتنبؤتقييمعرض وتصوير

Orange

FileFileData TableData TableTest and ScoreTest and ScoreTreeTreekNNkNNLogistic RegressionLogistic RegressionConfusion 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 (7)
  • File → Data Table
  • File → Test and Score
  • Tree → Test and Score
  • kNN → Test and Score
  • Logistic Regression → Test and Score
  • Test and Score → Confusion Matrix
  • File → Scatter Plot

KNIME

CSV ReaderCSV ReaderX-PartitionerX-PartitionerDecision Tree LearnerDecision TreeLearnerDecision Tree PredictorDecision TreePredictorX-AggregatorX-AggregatorScorerScorer
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 (6)
  • CSV Reader → X-Partitioner
  • X-Partitioner → Decision Tree Learner
  • Decision Tree Learner → Decision Tree Predictor
  • Decision Tree Predictor → X-Aggregator
  • X-Aggregator → Scorer
  • X-Partitioner → Decision Tree Predictor

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 93.3% (± 5.2%)، F1-macro 0.932
• kNN (k=5): Accuracy 96.0% (± 5.3%)، F1-macro 0.959
• Logistic Regression: Accuracy 95.3% (± 5.2%)، F1-macro 0.953
ونتائج مكتبة Orange 3.41.0 (10-fold، كإعدادات Test and Score الافتراضية):
• Tree: CA 94.0%، F1 0.940، AUC 0.949
• kNN: CA 95.3%، F1 0.953، AUC 0.987
• Logistic Regression: CA 96.0%، F1 0.960، AUC 0.997
الفروق الصغيرة بين المكتبتين طبيعية لاختلاف الإعدادات الافتراضية وتقسيم الطيات.

مقاييس التقييم

  • Accuracy
  • Precision وRecall وF1 (macro)
  • Confusion Matrix

تفسير النتائج

كل النماذج تتجاوز 93%. نوع Setosa منفصل تماماً، ومعظم الأخطاء بين Versicolor وVirginica لتداخل قياساتهما. خصائص البتلة أكثر تمييزاً من السبلة.

أسئلة للمناقشة

  • لماذا لا تكفي دقة التدريب للحكم على النموذج؟
  • ما الذي يحدث لـ kNN إذا لم نطبّع الخصائص؟
  • أي الخصائص الأربع يمكن حذفها دون خسارة كبيرة؟

جرّبه في مختبر التصنيف

مشاريع مشابهة