ومن الضروري فهم كيفية تقييم نماذج التعلم الآلاتي من أجل وضع مقاييس فعالة، وهناك مقياسان مشتركان هما الدقة والدقيق، وتساعد هذه القياسات على تحديد مدى جودة أداء نموذج ما في مجموعة بيانات معينة.

ما هو الجائزة النموذجية؟

ويقيّم الاستحقاق نسبة التنبؤات الصحيحة التي يُقدّمها النموذج من جميع التنبؤات، ويُحسب بتقسيم عدد التنبؤات الصحيحة حسب العدد الإجمالي للتنبؤات.

والصيغة التي ينبغي اتباعها للدقة هي:

Accuracy = (عدد الفرضيات الصحيحة)/(الاختصاصات الإجمالية) ]

والتقدير مفيد عندما تكون مجموعة البيانات متوازنة، ولكن يمكن أن يكون مضللا إذا اختللت الفصول.

ما هو الدقة النموذجية؟

ويقيِّم الدقة نسبة التنبؤات الإيجابية الحقيقية من جميع التوقعات الإيجابية التي وضعها النموذج، ويشير إلى عدد الحالات الإيجابية المتوقعة التي تكون إيجابية فعلا.

والصيغة التي تُصاغ بدقة هي:

Precision = (True Positives)/ (True Positives + False Positives)]

ويعني الدقة العالية أنه عندما يتنبأ النموذج بالإيجابية، يكون ذلك صحيحاً عادة، وهو مهم بصفة خاصة في السيناريوهات التي تكون فيها الايجابات الكاذبة باهظة التكلفة.

كيف يمكن حساب هذه القياسات

لتحسب الدقة والدقة، تحتاج إلى مصفوفة الارتباك، التي توجز نتائج التنبؤ إلى أربع فئات: إيجابيات حقيقية، سلبيات حقيقية، إيجابيات كاذبة، سلبيات كاذبة.

بمجرد أن تكون لديك هذه القيم، تُدخلها في الصيغ لتحسب القياسات، وكثير من مكتبات التعلم الآلي، مثل التعلم بواسطة السكاكين، تقدم وظائف لحساب الدقة والدقة مباشرة.

  • مصفوفة السخرة
  • إيجابيات حقيقية
  • False positives (FP)
  • سالبات حقيقية (TN)
  • False negatives (FN)