ومن الضروري قياس دقة نموذج التعلم العميق لتقييم أدائه، وتستخدم مقاييس مختلفة تبعا لنوع المشكلة، مثل التصنيف أو الانحدار، ويساعد فهم هذه القياسات في اختيار أفضل نموذج لتطبيق محدد.

القياسات المشتركة لنموذج التصنيف

وبالنسبة لمهام التصنيف، فإن الدقة هي أكثر القياسات وضوحا، وهي تحسب نسبة التنبؤات الصحيحة من جميع التنبؤات التي تم تحقيقها، غير أن القياسات الأخرى توفر معلومات أكثر تفصيلا، لا سيما مع مجموعات البيانات غير المتوازنة.

القياسات الرئيسية للتقييم

  • Precision:] The ratio of true positive predictions to the total predicted positives.
  • Recall:] The ratio of true positive predictions to 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.

مقاييس حسابية

وتحسب القياسات باستخدام العد من مصفوفة الارتباك، فعلى سبيل المثال، يُحسب الدقة على أنها TP/(TP + FP) ]، حيث تكون TP إيجابية حقيقية و FP إيجابية زائفة، وبالمثل، يُذكر أنه ]TP/(TP + FN) .

مقاييس نماذج التراجع

وفي مهام التراجع، تركز القياسات على الفرق بين القيم المتوقعة والقيم الفعلية، وتشمل القياسات المشتركة خطأً مربوطاً، وخطاً مطلقاً (MAE)، وقابلية للتأثر.

موجز

ويتوقف اختيار القياس المناسب على نوع المشكلة والأهداف المحددة، ويكفل التقييم السليم أداء النموذج أداء جيدا ويفي بمعايير الدقة المنشودة.