وتعد مقاييس أداء الشبكة العصبية أساسية لتقييم فعالية نماذج التعلم الآلات، وهي توفر تدابير كمية لتقييم مدى أداء شبكة عصبية لمهمة معينة، ويساعد فهم هذه القياسات على تحقيق الحد الأمثل من النماذج ومقارنة مختلف الهياكل.

مقاييس الأداء المشتركة

وتستخدم عدة مصفوفات لتقييم الشبكات العصبية، وتبرز كل منها جوانب مختلفة من الأداء، وتُستخدم الاستحقاق والدقة والتذكر والسجلات من الفئة واو-1 من أكثر الفئات شيوعاً في مهام التصنيف، أما بالنسبة لمشاكل التراجع، فإن القياسات مثل الرعب المائي والخطأ المتعمد كثيراً ما تستخدم.

الاستحقاق والحدود

وتقيس الاستحقاق نسبة التنبؤات الصحيحة من مجموع التوقعات، وفي حين أن التنبؤات البسيطة وغير ملائمة، فإنها يمكن أن تكون مضللة في مجموعات البيانات غير المتوازنة حيث تهيمن إحدى الفئات، وفي هذه الحالات، توفر القياسات الأخرى تقييما أكثر شمولا.

القياسات المتقدمة للتقييم النموذجي

القياسات مثل المنطقة تحت سلسلة التشغيل المستلمة و التصويب الدقائق، تقدم معلومات عن قدرة النموذج على التمييز بين الفصول، وهذه مفيدة بشكل خاص عند التعامل مع البيانات غير المتوازنة أو عندما تختلف تكاليف الايجابيات الكاذبة والسلبية الكاذبة.

موجز القياسات الرئيسية

  • Accuracy:] Overall correctness of predictions.
  • Precision:] Correct positive predictions out of total positive predictions.
  • Recall:] Correct positive predictions out of actual positives.
  • F1 Score:] Harmonic mean of accurate and recall.
  • MSE:] متوسط الفرق المربع بين القيم المتوقعة والقيم الفعلية.