مقدمة إلى تعلم الآلة في R

يُمكّن تعلم الآلة أجهزة الكمبيوتر من تعلّم الأنماط من البيانات وإجراء التنبؤات. يوفر R مكتبات متعددة لتعلم الآلة، بما في ذلك caret وrandomForest.

تحميل حزمة Caret

تعمل حزمة caret على تبسيط سير عمل تعلم الآلة في R.

library(caret)
data(iris)

تقسيم البيانات إلى مجموعتي التدريب والاختبار

يضمن تقسيم البيانات تقييماً سليماً للنموذج من خلال التدريب والاختبار بشكل منفصل.

set.seed(123)
trainIndex <- createDataPartition(iris$Species, p=0.8, list=FALSE)
trainData <- iris[trainIndex,]
testData <- iris[-trainIndex,]

إنشاء نموذج شجرة قرار

تصنّف أشجار القرار البيانات من خلال تقسيم الميزات عند نقاط القرار.

library(rpart)
model <- rpart(Species ~ ., data=trainData)
plot(model)
text(model)

تدريب نموذج الغابة العشوائية

تحسّن الغابات العشوائية أشجار القرار من خلال الجمع بين نماذج متعددة.

library(randomForest)
rf_model <- randomForest(Species ~ ., data=trainData)
print(rf_model)

إجراء التنبؤات

استخدم predict() لإجراء تنبؤات على بيانات جديدة.

predictions <- predict(rf_model, newdata=testData)

تقييم دقة النموذج

تقيس الدقة مدى جودة أداء النموذج على بيانات الاختبار.

confusionMatrix(predictions, testData$Species)

ضبط المعلمات الفائقة

استخدم train() لتحسين معلمات النموذج وتحقيق أداء أفضل.

tuned_model <- train(Species ~ ., data=trainData, method='rf', tuneLength=3)

الملخص

تعلمت في هذا الدرس:

• كيفية تقسيم البيانات إلى مجموعتي التدريب والاختبار.
• كيفية إنشاء نماذج أشجار القرار والغابات العشوائية.
• كيفية تقييم أداء النموذج وضبط المعلمات الفائقة.