اختبار Perceptron في تعلم الآلة

بعد تدريب نموذج Perceptron على البيانات، تأتي الخطوة التالية وهي
اختبار النموذج.

الاختبار يهدف إلى معرفة مدى قدرة النموذج على اتخاذ قرارات صحيحة عند التعامل
مع بيانات جديدة لم يرها أثناء التدريب.

في تعلم الآلة لا يكفي تدريب النموذج فقط، بل يجب أيضًا تقييم أدائه باستخدام
بيانات اختبار.

يجب اختبار Perceptron باستخدام قيم حقيقية أو بيانات جديدة
لمعرفة ما إذا كان النموذج يستطيع التنبؤ بالنتائج الصحيحة.

فكرة الاختبار

بعد تدريب Perceptron على مجموعة من النقاط، يمكننا اختبار النموذج عبر إنشاء
نقاط عشوائية جديدة ثم محاولة معرفة الفئة التي تنتمي إليها.

في هذا المثال يتم إنشاء نقاط جديدة في مستوى الإحداثيات، ثم يحاول
Perceptron تخمين موقعها بالنسبة للخط الفاصل.

Generate new unknown points

Check if the Perceptron guesses correctly

كل نقطة يتم اختبارها يتم تصنيفها إما فوق الخط أو أسفله.

إنشاء نقاط اختبار جديدة

يتم إنشاء نقاط جديدة عشوائية لاختبار النموذج.

هذه النقاط لا تكون جزءًا من بيانات التدريب، وبالتالي تمثل اختبارًا حقيقيًا
لقدرة النموذج على التعميم.

let x = Math.random() * xMax;

let y = Math.random() * yMax;

كل نقطة يتم إنشاؤها سيتم تمريرها إلى نموذج Perceptron ليحاول
تحديد الفئة المناسبة لها.

توقع النتيجة

بعد إنشاء نقطة جديدة، يقوم النموذج بمحاولة
التنبؤ بالفئة التي تنتمي إليها.

يتم ذلك عبر استخدام دالة activate داخل نموذج Perceptron.

let guess = ptron.activate([x, y, ptron.bias]);

تُرجع هذه الدالة قيمة إما 0 أو 1،
والتي تمثل الفئة التي يعتقد النموذج أن النقطة تنتمي إليها.

عرض النقاط على الرسم

بعد أن يخمن النموذج الفئة، يمكن رسم النقطة على الرسم البياني
بلون مختلف حسب النتيجة.

هذا يسمح بمشاهدة أداء النموذج بشكل بصري.

let color = (guess == 0) ? "blue" : "black";

plotter.plotPoint(x, y, color);

بهذه الطريقة يمكن رؤية النقاط التي تم تصنيفها في كل فئة.

حساب الأخطاء

من أهم خطوات الاختبار قياس عدد الأخطاء التي يقع فيها النموذج.

إذا قام النموذج بتصنيف نقطة بشكل خاطئ يتم زيادة عداد الأخطاء.

if ((y > f(x) && guess == 0) || (y < f(x) && guess == 1)) {
  errors++;
}
[/example_code]




كلما كان عدد الأخطاء أقل، كان النموذج أفضل.

عرض نتيجة الاختبار

بعد اختبار عدد كبير من النقاط، يمكن عرض عدد الأخطاء التي ارتكبها النموذج.

    

        
"مثال:"
        

            

        
    
    

errors + " Errors out of " + counter

هذه النتيجة تعطي فكرة واضحة عن دقة النموذج بعد التدريب.

لماذا اختبار النموذج مهم؟

الاختبار خطوة أساسية في أي مشروع تعلم آلة.

حتى لو كان النموذج يعمل بشكل ممتاز على بيانات التدريب،
قد يفشل عند التعامل مع بيانات جديدة.

لهذا السبب يتم دائمًا اختبار النماذج باستخدام بيانات مختلفة
عن بيانات التدريب.

الخلاصة

اختبار Perceptron يسمح بمعرفة مدى قدرة النموذج على تصنيف
البيانات الجديدة بشكل صحيح.

ومن خلال إنشاء نقاط عشوائية ومقارنة توقعات النموذج
بالنتائج الصحيحة، يمكن تقييم أداء النموذج وتحديد مدى دقته.

هذه المرحلة تمثل خطوة مهمة بعد تدريب أي نموذج تعلم آلة،
وهي جزء أساسي من عملية بناء الأنظمة الذكية.