ويعد تقييم أداء نماذج التعلم الآلات أمرا أساسيا لفهم فعاليتها في تطبيقات العالم الحقيقي، وتساعد القياسات الدقيقة على تحديد مواطن القوة والضعف، وتوجيه التحسينات، واتخاذ قرارات النشر.

مقاييس الأداء المشتركة

وتستخدم عدة مصفوفات لتقييم الأداء النموذجي، حسب نوع المهمة، أما بالنسبة لمشاكل التصنيف، والدقة، والدقيق، والتذكر، والسجلات F1، فهي تستخدم في كثير من الأحيان، وبالنسبة لمهام التراجع، فإن القياسات مثل الرعب المتعمد، والأعصاب المميتة، والزراعة المتناثرية، والزجاج المتناثر هي مقاييس شائعة.

حسابات قياس التصنيف

وتشكل مصفوفات الاتحاد الأساس للعديد من مقاييس التصنيف، وهي تتألف من إيجابيات حقيقية، وإيجابيات كاذبة، وسلبية حقيقية، وسلبية كاذبة، وحساب الاستحقاق على النحو التالي:

Accuracy = (TP + TN) / (TP + FP + TN + FN] ]

ويقيِّم الدقة نسبة التحديدات الإيجابية التي كانت صحيحة:

Precision = TP / (TP + FP)]

وتشير الاسترداد إلى نسبة الإيجابيات الفعلية التي تم تحديدها بشكل صحيح:

Recall = TP / (TP + FN)]

حساب مقاييس التراجع

وتقيّم القياسات التراجعية الفرق بين القيم المتوقعة والقيم الفعلية، ويحسب الانحراف الحاد على أنه:

MAE = (1/n) * VER ⁇ y]i - ⁇ ]i ⁇ ]

(ب) يشدّد الرعب المختلط على أخطاء أكبر:

MSE = (1/n) * جمل (y]i - ⁇ ]i)2]]

يشير الفرق المربوط إلى نسبة الفرق التي شرحها النموذج:

R]2 = 1 - (SS]res] / SS]tot)]

خاتمة

ويتوقف اختيار القياسات المناسبة على المشكلة والأهداف المحددة، ويعتبر الحساب والتفسير السليمين لهذه القياسات أمرا حيويا لنشر نماذج فعالة للتعلم الآلي في سيناريوهات العالم الحقيقي.