تصنيف لأنواع الفاصولياء الجافة باستخدام تقنيات تعلم الآلة.

وصف العمل:

في هذا المشروع، تم تطوير نموذج تصنيف لأنواع الفاصولياء الجافة باستخدام تقنيات تعلم الآلة. الهدف الرئيسي هو تصنيف أنواع الفاصولياء بناءً على خصائصها الفيزيائية.

خطوات العمل:

استيراد المكتبات والبيانات:

تم استخدام مكتبات Python مثل pandas وnumpy وmatplotlib وseaborn لتحليل البيانات وتصورها، وsklearn لبناء النماذج التنبؤية.

تم تحميل مجموعة بيانات الفاصولياء الجافة، والتي تحتوي على عدة خصائص مثل الطول، العرض، السماكة وغيرها من الصفات الفيزيائية.

تحليل البيانات الاستكشافي (EDA):

تم إجراء تحليل استكشافي للبيانات لفهم طبيعة المتغيرات وتوزيعها.

تم استخدام الرسوم البيانية مثل المخططات التوزيعية والمخططات الصندوقية لتحليل العلاقات بين المتغيرات وأنواع الفاصولياء المختلفة.

معالجة البيانات:

تم تنظيف البيانات ومعالجتها للتأكد من جودتها، بما في ذلك التعامل مع القيم الناقصة وإزالة البيانات الشاذة.

تم تحويل البيانات إلى تنسيق قابل للاستخدام في نماذج تعلم الآلة.

تدريب النموذج:

تم تقسيم البيانات إلى مجموعات تدريب واختبار.

تم استخدام خوارزميات تصنيف مثل K-Nearest Neighbors (KNN) وSupport Vector Machine (SVM) وRandom Forest لبناء نماذج التصنيف.

تم تحسين أداء النماذج عبر ضبط المعايير واختيار أفضل نموذج بناءً على النتائج.

تقييم النموذج:

تم تقييم أداء النموذج باستخدام مقاييس مثل Accuracy وF1-Score وConfusion Matrix.

تم تحليل النتائج وتحديد النموذج الأكثر دقة في تصنيف أنواع الفاصولياء.

التنبؤ:

يمكن استخدام النموذج المدرب لتصنيف أنواع الفاصولياء الجديدة بناءً على الخصائص الفيزيائية المدخلة.