Return to Video

R Squared in SKlearn - Intro to Machine Learning

  • 0:00 - 0:03
    بعد أن شرحت لكم R2، السؤال الذي قد تطرحونه هو
  • 0:03 - 0:07
    هذا جيد يا كايتي ولكن كيف لنا أن نحصل على هذه المعلومات؟
  • 0:07 - 0:10
    فأنت لم تعطِنا أية معادلة أو ما شابه كمثال عليها.
  • 0:10 - 0:14
    ما أريد أن أقوم به بدلاً من إعطائكم معادلة رياضية كبيرة،
  • 0:14 - 0:17
    وهو ما أجده غير مشوق ويمكنكم استكشافه بمفردكم،
  • 0:17 - 0:20
    هو أن أريكم كيف تحصلون على هذه المعلومات من scikit-learn.
  • 0:20 - 0:23
    هذه هي التعليمة البرمجية التي شاهدناها في بعض مقاطع الفيديو السابقة عندما كنا نقوم بإنشاء
  • 0:23 - 0:24
    أداة التنبؤ بصافي القيمة.
  • 0:24 - 0:29
    الآن ملأتُ هذه السطور وهي التي تقوم باستيراد الانحدار الخطي
  • 0:29 - 0:30
    والقيام ببعض التنبؤات.
  • 0:30 - 0:34
    أحد الأمور الأخرى التي حدثت هو أنني قمت بكتابة بعض المعلومات في الشاشة،
  • 0:34 - 0:35
    كما تذكرون.
  • 0:35 - 0:36
    وقد شرحت لكم بالفعل أمرين منهم.
  • 0:36 - 0:38
    وهما الميل والتقاطع.
  • 0:38 - 0:41
    ويمكنني الوصول إلى هذه المعلومات عن طريق البحث عن المعاملات
  • 0:41 - 0:42
    والتقاطع الخاص بالانحدار.
  • 0:42 - 0:46
    وهي مجرد أسطر لتعليمات برمجية وجدتها في مثال على الإنترنت.
  • 0:46 - 0:48
    ولكنني وعدتكم أن نتحدث مجددًا عن
  • 0:48 - 0:51
    نتيجة R2 التي كنت أكتبها، وهو ما أقوم به الآن.
  • 0:51 - 0:56
    وطريقة الوصول إليها تكون عبر الكمية reg.score.
  • 0:56 - 1:00
    وهذا يشبه نوعًا ما الطريقة التي قمنا من خلالها بحساب الدقة في
  • 1:00 - 1:01
    المصنف الخاضع للإشراف.
  • 1:01 - 1:06
    إذن ما سنقوم به هو تمرير ages، وهي تعد الميزات أو المدخلات
  • 1:06 - 1:07
    في هذه الحالة،
  • 1:07 - 1:10
    وnet_worths، وهي المخرجات، أو الأمور التي نحاول التنبؤ بها.
  • 1:10 - 1:14
    وبعد ذلك، بما أنه قد تمت ملاءمة الانحدار بالفعل، هنا،
  • 1:14 - 1:17
    فهو يعرف ما يعتقد أنها العلاقة بين هاتين الكميتين.
  • 1:17 - 1:21
    إذن هذه هي جميع المعلومات التي يحتاجها كي يقوم بحوسبة نتيجة R2.
  • 1:21 - 1:22
    بعد ذلك، ما علي سوى كتابتها.
  • 1:22 - 1:26
    ودعونا ننتقل إلى هنا وأريكم مجددًا كيف يبدو ذلك.
  • 1:26 - 1:28
    لقد حصلت على المخرجات التي حصلت عليها في السابق ذاتها،
  • 1:28 - 1:31
    وقد يبدو ذلك مألوفًا إلى حدٍ ما، لذا أتنبأ بصافي القيمة الخاصة بي.
  • 1:31 - 1:33
    ولدي هنا الميل والتقاطع.
  • 1:33 - 1:35
    ولكنكم الآن تفهمون أهمية نتيجة R2.
  • 1:35 - 1:40
    إذن، نتيجة R2 حوالي 0.86 وهي تعد نتيجة جيدة جدًا.
  • 1:40 - 1:45
    أنا أتوقع، أقصد أنا أقوم بنسبة 85% تقريبًا من أفضل نتيجة يمكنني التوصل إليها.
  • 1:45 - 1:48
    يمكنني أن أقول أن نسبة 86% قريبة من واحد.
  • 1:48 - 1:54
    قد تتطلب عملية الترجمة بين R2 عدديًا
  • 1:54 - 1:55
    وتمييز ما إذا كان يمثل ملاءمة جيدة أم لا، نوعًا من الفن.
  • 1:55 - 1:58
    وهو أمر ستعرفونه بحدسكم
  • 1:58 - 2:01
    بمرور الوقت، وبتجربتكم للأشياء.
  • 2:01 - 2:07
    يمكنني القول بالتأكيد أن 0.857 هي قيمة R2 جيدة.
  • 2:07 - 2:11
    ونحن نعبر بشكل جيد عن العلاقة بين عمر الأشخاص
  • 2:11 - 2:13
    وصافي القيمة الخاصة بهم هنا.
  • 2:13 - 2:16
    ولقد رأيت في حياتي قيم R2 أكبر من تلك.
  • 2:16 - 2:19
    لذلك، فمن المحتمل أن تكون هناك متغيرات أخرى، مثلًا.
  • 2:19 - 2:23
    بحيث إن استطعنا تضمين المعلومات من
  • 2:23 - 2:27
    ميزات إضافية بها، فسنكون أكثر قدرة على التنبؤ بصافي القيمة لشخصٍ ما.
  • 2:27 - 2:30
    بعبارة أخرى، إن استطعنا استخدام أكثر من ميزة،
  • 2:30 - 2:33
    يمكننا في بعض الأحيان رفع قيمة R2 هذه أكثر.
  • 2:33 - 2:36
    من ناحية أخرى، توجد في بعض الأحيان مسائل تكون شديدة الصعوبة لدرجة تجعل الحصول على
  • 2:36 - 2:40
    قيمة R2 التي تقترب من هذه أمرًا شبه مستحيل.
  • 2:40 - 2:43
    ففي بعض الأحيان، في مجال العلوم السياسية، على سبيل المثال، يحاول الخبراء
  • 2:43 - 2:47
    إجراء انحدار للتنبؤ بما إذا كانت إحدى الدول ستخوض حربًا.
Title:
R Squared in SKlearn - Intro to Machine Learning
Description:

more » « less
Video Language:
English
Team:
Udacity
Project:
ud120 - Intro to Machine Learning
Duration:
02:47

Arabic subtitles

Revisions