Accuracy

الدقة هي نسبة تنبؤات النموذج الصحيحة: عدد التنبؤات الصحيحة مقسومًا على العدد الكلي للتنبؤات. وهي المقياس الافتراضي لـتصنيف الصور ومهام التعلّم الخاضع للإشراف الأخرى التي تضم تسمية واحدة لكل مدخل، وتجيب عن أبسط سؤال بشأن النموذج: كم مرة تكون إجابته صحيحة؟ يسهل فهم الدقة ومقارنتها بين النماذج، لكنها تزن كل تنبؤ بالتساوي، لذا قد يحقق النموذج نتيجة مرتفعة على بيانات غير متوازنة رغم إخفاقه في الحالات الأهم تحديدًا، وعندها يقدم الإحكام والاستدعاء معلومات أكثر.

كيفية حساب الدقة#

في مهمة ثنائية، تعطي القيم الأربع في مصفوفة الالتباس المعادلة: الدقة = (TP + TN) / (TP + TN + FP + FN)، أي مجموع الإيجابيات الحقيقية والسلبيات الحقيقية مقسوماً على إجمالي التنبؤات. وفي مهمة متعددة الفئات، تكون الدقة مجموع عناصر قطر المصفوفة مقسوماً على إجمالي العدد، وتحسبها accuracy_score في scikit-learn مباشرةً من مصفوفتين للتسميات. وغالباً ما يُبلّغ عن الدقة بدلاً من ذلك على شكل معدل خطأ، حيث الخطأ = 1 − الدقة.

دقة Top-1 وTop-5#

تبلّغ المصنفات ذات الفئات الكثيرة أيضاً عن دقة top-k. وتحسب دقة Top-1 التنبؤ صحيحاً فقط عندما تكون الفئة ذات أعلى درجة هي التسمية الحقيقية، بينما تحسبه دقة Top-5 صحيحاً إذا وردت التسمية الحقيقية ضمن الفئات الخمس الأعلى درجة. وأصبح Top-5 معياراً شائعاً مع تحدي ImageNet، إذ غالباً ما تحتوي صوره على عدة أجسام، لكنها تحمل تسمية واحدة من بين 1,000 فئة. وتبلّغ نماذج تصنيف YOLO26 عن الرقمين، ويحقق النموذج النانوي، yolo26n-cls.pt، دقة Top-1 تبلغ 71.4% ودقة Top-5 تبلغ 90.1% على ImageNet عند 224 بكسلاً.

الدقة مقارنةً بالمقاييس ذات الصلة#

• الإحكام: نسبة الإيجابيات المتنبأ بها التي هي إيجابيات فعلاً. وترتفع هذه النسبة مع انخفاض الإنذارات الكاذبة.
• الاستدعاء: نسبة الإيجابيات الفعلية التي يكتشفها النموذج. وهو المقياس الذي يكشف تجاهل النموذج لفئة نادرة.
• درجة F1: المتوسط التوافقي للإحكام والاستدعاء، وتبقى منخفضة ما لم يكن كلاهما مرتفعاً.
• متوسط الدقة المتوسطة (mAP): المقياس القياسي لاكتشاف الأجسام، إذ لا ينطبق مفهوم الدقة هنا بسبب عدم وجود سلبيات حقيقية قابلة للعد في الخلفية، بل عدد غير محدود من مناطق الصور الفارغة.

مفارقة الدقة#

عندما تسود فئة واحدة، تكافئ الدقة تجاهل الفئة النادرة. فإذا كانت نسبة المعاملات الاحتيالية 1%، يحقق نموذج يوافق على كل المعاملات دقة تبلغ 99% ولا يكتشف أي احتيال إطلاقاً، وهذا نمط يُعرف باسم مفارقة الدقة. ويظهر الفخ نفسه في فحص العيوب والكشف عن الأمراض واكتشاف الحالات الشاذة، حيث تكون الفئة المستهدفة نادرة بطبيعتها.

import numpy as np
from sklearn.metrics import accuracy_score, balanced_accuracy_score, recall_score

# 1,000 transactions, 10 of them fraudulent (label 1)
y_true = np.zeros(1000, dtype=int)
y_true[:10] = 1

# A model that labels every transaction as legitimate
y_pred = np.zeros(1000, dtype=int)

print(f"Accuracy: {accuracy_score(y_true, y_pred):.2f}")
print(f"Balanced accuracy: {balanced_accuracy_score(y_true, y_pred):.2f}")
print(f"Fraud recall: {recall_score(y_true, y_pred):.2f}")

تكشف الدقة المتوازنة، وهي متوسط الاستدعاء عبر الفئات، الإخفاق الذي تخفيه الدقة العادية: يطبع البرنامج دقة مقدارها 0.99، ودقة متوازنة مقدارها 0.50، واستدعاءً للاحتيال مقداره 0.00.