الدقة النموذجية هي القياس الرئيسي في تقييم أداء نماذج التعلم الآلاتي، إنها تقيس مدى تطابق توقعات النموذج مع النتائج الفعلية، فهم القياسات والأساليب المختلفة يساعد في اختيار أفضل نموذج لمهام محددة.

فهم الاستحقاق

والتقدير هو نسبة التنبؤات الصحيحة إلى العدد الإجمالي للتنبؤات التي يتم تحقيقها، وهو بسيط بالنسبة للحساب، وأكثرها فعالية عندما تكون فئات البيانات متوازنة، غير أنه يمكن أن يكون مضللا في حالات مجموعات البيانات غير المتوازنة التي تهيمن فيها طبقة واحدة.

القياسات المشتركة للتقييم النموذجي

وإلى جانب الدقة، توفر مقاييس أخرى تقييما أشمل للأداء النموذجي:

  • Precision:] The proportion of true positive predictions among all positive predictions.
  • Recall:] The proportion of true positives identified out of all actual positives.
  • F1 Score:] The harmonic mean of accurate and recall, balancing both metrics.
  • Confusion Matrix:] A table showing true positives, false positives, true negatives, and false negatives.

أساليب حساب الاستحقاق

وتشمل الدقة المحسوبة تقسيم عدد التنبؤات الصحيحة حسب العدد الإجمالي للتنبؤات، وتشمل الأساليب المشتركة ما يلي:

  • Holdout Validation:] Splitting data into training and testing sets.
  • Cross-Validation:] Dividing data into multiple folds to validate the model across different subsets.
  • Bootstrapping:] أخذ العينات مع استبدالها لتقدير الأداء النموذجي.