إن فهم كيفية تقييم أداء نماذج الشبكات العصبية أمر أساسي لوضع حلول فعالة للتعلم الآلي، وتوفر هذه المادة استعراضا عمليا للمقاييس المشتركة المستخدمة لتقييم الدقة والموثوقية النموذجيتين.

مقاييس الأداء الرئيسية

وتستخدم عدة مقاييس لتقييم نماذج الشبكة العصبية، ويقدم كل منها نظرة مختلفة عن الأداء النموذجي، وتشمل أكثرها شيوعا الدقة، والدقة، والتذكر، والسجلات من الفئة واو-1، ومصفوفة الارتباك.

حساب الاستحقاق

ويقيّم الاستحقاق نسبة التنبؤات الصحيحة من جميع التنبؤات التي تمّت، ويحسب على أنه:

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

مقاييس أخرى وحساباتها

والدقة والتذكير مفيدان بشكل خاص في مجموعات البيانات غير المتوازنة، ويشير الدقة إلى نسبة التنبؤات الإيجابية الحقيقية بين جميع التنبؤات الإيجابية، في حين أن التذكير يُذكر أن نسبة الإيجابية الفعلية التي تم تحديدها بشكل صحيح.

النتيجة الأولى تجمع الدقة والتذكر في متر واحد، محسوباً كعنصر متناسق بين الاثنين:

F1 Score = 2 * (Precision * Recall) / (Precision + Recall)]

استخدام مصفوفة الكونفوس

وتلخص مصفوفة الارتباك نتائج التنبؤات بتصنيف النتائج إلى إيجابيات حقيقية، وإيجابيات كاذبة، وسلبيات حقيقية، وسلبيات كاذبة، وهي توفر نظرة شاملة للأداء النموذجي، ولا سيما في مهام التصنيف.

  • منظمة " حقيقي "
  • False Positive (FP)
  • النقي الحقيقي (TN)
  • الناجية الخافضة