ويعد تقييم أداء نماذج التعلم الآلات أمرا أساسيا لتحديد فعاليتها في تطبيقات العالم الحقيقي، وتساعد القياسات والحسابات السليمة في فهم مدى توقع نموذج للنتائج وحيثما يلزم إدخال تحسينات عليها.

مقاييس الأداء المشتركة

وتستخدم عدة مصفوفات لتقييم الأداء النموذجي، حسب نوع المشكلة، وتستخدم عادة في مهام التصنيف، والدقة، والدقيق، والتذكر، وسجلات F1، وللتراجع، تعتبر القياسات مثل الرعب المتعمد، والأعصاب المميتة، والزراعة المتناثرية، والترددات المتناثرية معيارية.

مقاييس حسابية

القياسات تُحسب على أساس توقعات النموذج والنتائج الفعلية، على سبيل المثال، الدقة هي نسبة التنبؤات الصحيحة إلى التوقعات الكلية، ولتحديد نسبة الإيجابيات الحقيقية بين الإيجابيات المتوقعة، في حين تشير التذكير إلى نسبة الإيجابيات الحقيقية التي تم تحديدها بين جميع الإيجابيات الفعلية.

وتحسب القياسات التراجعية مثل ماجستير في العلوم والتكنولوجيا متوسط الفرق المطلق بين القيم المتوقعة والقيم الفعلية، مما يوفر رؤية لأخطاء التنبؤات.

ترجمة شفوية للنتائج في الممارسة العملية

وينطوي تفسير القياسات على فهم سياق المشكلة، وقد يكون من المضلل في مجموعات البيانات غير المتوازنة، حيث توفر القياسات الأخرى مثل الدقة والتذكر معلومات أفضل، وبالنسبة للتراجع، تشير قيم الحد الأدنى من الانبعاثات والبدلات المتعددة المؤشرات إلى أداء أفضل، في حين تشير القيم العالية التي تركز على النتائج إلى نموذج أكثر دقة.

اعتبارات إضافية

  • نوعية البيانات وتجهيزها قبل التجهيز
  • التغليف المفرط والضعف
  • التعقيد النموذجي
  • تقنيات التقييم