day 14- decision trees
السلام عليكم ورحمة الله... معاكم Kaito :)
مرحبا بيكم فالنهار 14 ديال سلسلة 30 يوم من التعلم الآلي..
اليوم غنشوفو واحد الالغوريتم جديد
اللي هو decision trees
هو واحد النوع من خوارزميات التعلم الالي الخاضعة لاشراف
supervised machine learning algorithm
الغوريتم اللي معروف ومشهور بزاف..
كيصلاح للداتا اللي خطية linear وحتى للي ماشي خطية non-linear
وكنخدمو بيه ف classification وحتى ف regression
انفهمو دبا الكونصبت ديالها:
شجرة القرار هي بكل بساطة دايرة بحال شي شجرة..
والاغوريتم ديالها مبازي على القرار اللي كيتعلق بشروط ديال الميزة condition of features
اتقوليا شنو هوما هاد الشروط..
هاد الشروط بحال ايلا قلتي شي حوايج ايلا تحققو كنعرفو نتاخدو واحد القرار معين
غير كمثال ايلا كانت عمرك فوق 18 فراك بالغ
ايلا كان عمرك تحت 18 فراك مزال طفل او قاصر
هاد الشروط ديال العمر واش كبر اولا صغر،
هما اللي كيحددو الفئة اولا النتيجة اللي كنعطيو
بالنسبة للشجرة، دوك الدوائر كيتسماو nodes ,
وهما دوك الشروط اللي قلنا،
وفكل node كيكون عندنا فروع branches ،
دوك الفروع c1 c2… هما نتيجة ديال الاختبار او الشرط اللي كنتي حاط
والنتائج او القرارات هما اللي عندهم داك الشكل ديال مستطيل
واللي كيتسماو leaf nodes او العقد الورقية
كيما كتشوف فهاد الشيما
الشجرة كنبدا بواحد الشرط او اختبار كيتسمى اختبار الجذر root condition
وعلى حسب القرار اللي غادي يخرج بيه داك الشرط،
كيوليو عندنا 3 ديال الفروع، يقدرو يكونو كثر ماشي بالضرورة 3 ..
كتشوف على حساب عدد الاصناف اللي عندنا فالميزة feature ديال root condition
كيما كنشوف كاينين فروع اللي تحولو حتا هوما لشروط اخرى ،
وكاين اللي سالا مع الشرط الاول ديال الجذر وعطى النتيجة او القرار النهائي ديالو..
وهكا غادا..
المهم كتبقا غادي مع الشروط ديالك كتحاول تشوف وتجربهم
حتا تلقا القرار النهائي اللي كيخرج من كل شرط
دبا غتقوليا قويتي عليا فالشروط..
انعطيك مثال..
تخيل مثلا عيطات علينا واحد الشركة نخدمو عندها،
ولكن انت كتشرط (راه لابد تشرط هاد الخدمة هاديك)
نا باش تقبل الخدمة ديالك كتشوف 3 حوايج مثلا:
الصالير… عدد ساعات العمل.. وواش كيعطيو قهوة فابور
كتبدا باهم حاجة هي الصالير ..
ايلا كان الصالير قل من دكشي اللي نتا باغي
غتغيرها من الاول
كتقول كقرار نهائي: ارفض العرض
ايلا كان الصالير مزيان كتقول واخا انشوف ساعات العمل
ايلا كنت غنخدم كثر من ساعة
معندي مندير تما (انا معكاز ومبغيتش نخدم بزاف ههه)
سارفض العرض
ايلا كانت قل من ساعة غنتاقل الى اخر شرط،
واللي هو واش كيعطيو القهوة فابور.. (ايلا مكانتش شي نوار مغنقدش نخدم او نركز)
ايلا لا، اذن لا.. غيكون القرار ديالي النهائي هو الرفض
ايلا اه، اذن الشروط كاملين تحققو
وبالتالي القرار ديالي النهائي هو :
كنقبل الطلب
هكا كيفاش خدامة شجرة القرار
المثال اللي عطيت هو classification
ولكن نفس الحاجة كتطبق على regression
دبا البلان هو: كيفاش نقدر نحدد هاد الشروط،
مثلا شكون قاليا بلي الصالير خصني نديرو الاول الفوق فالجذر،
وعلاش داك الثمن بالضبط..
اذن هنايا المودل او الخوارزمية هي اللي كتحاول تلقا ليك هادوك القيم ديال الشروط بناء على الداتا ديالك
كتشوف الانماط وكتحاول تلقا وتقاد شجرة اللي مناسبة
باش تعطيك نتائج مزيانة..
هنايا الخوارزمية كتدير واحد الحساب ومنو كتخرج دوك القيم والشروط..
وهاد الحساب كيتسمى information gain
واللي كتبازي على واحد المفهوم كيتسمى entropy,
وهو مقياس ديال الشوائب impurity او عدم اليقين uncertainty فمجموعة ديال البيانات..
الهدف ديال information gain هو تنقص من هاد entropy
هاد القيمة كتعاونك باش تختار احسن شرط لميزة باش تقسم ليك الداتا بطريقة مزيانة
مثلا عندي داتا ديال الفواكه وعندنا تفاح وبنان وليمون كقرارات،
غنقولو مثلا فهاد الداتا
عندنا ايلا كان الشكل ديالها مامدورش فراه نيشان بنانة،
ايلا كانت مدورة غنعاودو نشوفو
واش اللون ديالها حمر راه تفاحة
ايلا لا راه ليمونة…
هانتا قسمتي الداتا بواحد الطريقة مزيانة
وعرفتي شكون تسبق باش متعطلش فالنتيجة
الحساب ديال هاد information gain ماشي شي حاجة معقدة
غير ضربو عليها طليلة فهاد الفيديو — راه ممتعة صراحة وغتعجبكم
ايلا كنتي ديجا كتكودي وباغي تطبق هاد الالغوريتم فداتاسيت بصح
(متخافش مافيه لا ماط لا والو..)
هذي خلاصة اليوم..
نتلاقاو فايمايل اخر غدا!
كنتمنى تكونو استافدتو.. ايلا عندكم شي تساؤل اولا مشرحتش شي حاجة مزيان، غير صيفط ليا رد فهاد المايل نيت..
— Kaito
ملاحظات:
ايلا عاجبك هدشي وقادر باش تساند هاد newsletter بدعم مادي
دخل لهنا: https://ko-fi.com/callmekaito
شكرا (:
السلام عليكم ورحمة الله... معاكم Kaito :)
مرحبا بيكم فالنهار 14 ديال سلسلة 30 يوم من التعلم الآلي..
اليوم غنشوفو واحد الالغوريتم جديد
اللي هو decision trees
هو واحد النوع من خوارزميات التعلم الالي الخاضعة لاشراف
supervised machine learning algorithm
الغوريتم اللي معروف ومشهور بزاف..
كيصلاح للداتا اللي خطية linear وحتى للي ماشي خطية non-linear
وكنخدمو بيه ف classification وحتى ف regression
انفهمو دبا الكونصبت ديالها:
شجرة القرار هي بكل بساطة دايرة بحال شي شجرة..
والاغوريتم ديالها مبازي على القرار اللي كيتعلق بشروط ديال الميزة condition of features
اتقوليا شنو هوما هاد الشروط..
هاد الشروط بحال ايلا قلتي شي حوايج ايلا تحققو كنعرفو نتاخدو واحد القرار معين
غير كمثال ايلا كانت عمرك فوق 18 فراك بالغ
ايلا كان عمرك تحت 18 فراك مزال طفل او قاصر
هاد الشروط ديال العمر واش كبر اولا صغر،
هما اللي كيحددو الفئة اولا النتيجة اللي كنعطيو
بالنسبة للشجرة، دوك الدوائر كيتسماو nodes ,
وهما دوك الشروط اللي قلنا،
وفكل node كيكون عندنا فروع branches ،
دوك الفروع c1 c2… هما نتيجة ديال الاختبار او الشرط اللي كنتي حاط
والنتائج او القرارات هما اللي عندهم داك الشكل ديال مستطيل
واللي كيتسماو leaf nodes او العقد الورقية
كيما كتشوف فهاد الشيما
الشجرة كنبدا بواحد الشرط او اختبار كيتسمى اختبار الجذر root condition
وعلى حسب القرار اللي غادي يخرج بيه داك الشرط،
كيوليو عندنا 3 ديال الفروع، يقدرو يكونو كثر ماشي بالضرورة 3 ..
كتشوف على حساب عدد الاصناف اللي عندنا فالميزة feature ديال root condition
كيما كنشوف كاينين فروع اللي تحولو حتا هوما لشروط اخرى ،
وكاين اللي سالا مع الشرط الاول ديال الجذر وعطى النتيجة او القرار النهائي ديالو..
وهكا غادا..
المهم كتبقا غادي مع الشروط ديالك كتحاول تشوف وتجربهم
حتا تلقا القرار النهائي اللي كيخرج من كل شرط
دبا غتقوليا قويتي عليا فالشروط..
انعطيك مثال..
تخيل مثلا عيطات علينا واحد الشركة نخدمو عندها،
ولكن انت كتشرط (راه لابد تشرط هاد الخدمة هاديك)
نا باش تقبل الخدمة ديالك كتشوف 3 حوايج مثلا:
الصالير… عدد ساعات العمل.. وواش كيعطيو قهوة فابور
كتبدا باهم حاجة هي الصالير ..
ايلا كان الصالير قل من دكشي اللي نتا باغي
غتغيرها من الاول
كتقول كقرار نهائي: ارفض العرض
ايلا كان الصالير مزيان كتقول واخا انشوف ساعات العمل
ايلا كنت غنخدم كثر من ساعة
معندي مندير تما (انا معكاز ومبغيتش نخدم بزاف ههه)
سارفض العرض
ايلا كانت قل من ساعة غنتاقل الى اخر شرط،
واللي هو واش كيعطيو القهوة فابور.. (ايلا مكانتش شي نوار مغنقدش نخدم او نركز)
ايلا لا، اذن لا.. غيكون القرار ديالي النهائي هو الرفض
ايلا اه، اذن الشروط كاملين تحققو
وبالتالي القرار ديالي النهائي هو :
كنقبل الطلب
هكا كيفاش خدامة شجرة القرار
المثال اللي عطيت هو classification
ولكن نفس الحاجة كتطبق على regression
دبا البلان هو: كيفاش نقدر نحدد هاد الشروط،
مثلا شكون قاليا بلي الصالير خصني نديرو الاول الفوق فالجذر،
وعلاش داك الثمن بالضبط..
اذن هنايا المودل او الخوارزمية هي اللي كتحاول تلقا ليك هادوك القيم ديال الشروط بناء على الداتا ديالك
كتشوف الانماط وكتحاول تلقا وتقاد شجرة اللي مناسبة
باش تعطيك نتائج مزيانة..
هنايا الخوارزمية كتدير واحد الحساب ومنو كتخرج دوك القيم والشروط..
وهاد الحساب كيتسمى information gain
واللي كتبازي على واحد المفهوم كيتسمى entropy,
وهو مقياس ديال الشوائب impurity او عدم اليقين uncertainty فمجموعة ديال البيانات..
الهدف ديال information gain هو تنقص من هاد entropy
هاد القيمة كتعاونك باش تختار احسن شرط لميزة باش تقسم ليك الداتا بطريقة مزيانة
مثلا عندي داتا ديال الفواكه وعندنا تفاح وبنان وليمون كقرارات،
غنقولو مثلا فهاد الداتا
عندنا ايلا كان الشكل ديالها مامدورش فراه نيشان بنانة،
ايلا كانت مدورة غنعاودو نشوفو
واش اللون ديالها حمر راه تفاحة
ايلا لا راه ليمونة…
هانتا قسمتي الداتا بواحد الطريقة مزيانة
وعرفتي شكون تسبق باش متعطلش فالنتيجة
الحساب ديال هاد information gain ماشي شي حاجة معقدة
غير ضربو عليها طليلة فهاد الفيديو — راه ممتعة صراحة وغتعجبكم
ايلا كنتي ديجا كتكودي وباغي تطبق هاد الالغوريتم فداتاسيت بصح
(متخافش مافيه لا ماط لا والو..)
هذي خلاصة اليوم..
نتلاقاو فايمايل اخر غدا!
كنتمنى تكونو استافدتو.. ايلا عندكم شي تساؤل اولا مشرحتش شي حاجة مزيان، غير صيفط ليا رد فهاد المايل نيت..
— Kaito
ملاحظات:
ايلا عاجبك هدشي وقادر باش تساند هاد newsletter بدعم مادي
دخل لهنا: https://ko-fi.com/callmekaito
شكرا (:
التالي