Accuracy

تعد الدقة معياراً أساسياً في تقييم أنظمة الذكاء الاصطناعي، حيث تقيس النسبة المئوية للتنبؤات الصحيحة التي يقوم بها النموذج مقارنة بالعدد الإجمالي للتنبؤات. في سياق التعلم الآلي وتحديداً التعلم الخاضع للإشراف، يوفر هذا المقياس نظرة عامة شاملة حول مدى توافق الخوارزمية بفعالية مع الحقيقة الأرضية المقدمة أثناء عملية التدريب. ورغم أنها المقياس الأكثر بديهية للأداء - حيث تجيب عن السؤال البسيط: "ما مدى صحة النموذج؟" - إلا أنها تعمل كمؤشر أساسي لموثوقية النظام قبل أن يتعمق المطورون في مقاييس أكثر تفصيلاً.

فروق دقيقة في تقييم الأداء#

على الرغم من أن الدقة تشكل نقطة بداية ممتازة، إلا أنها تكون أكثر فعالية عند تطبيقها على بيانات التدريب المتوازنة حيث يتم تمثيل جميع الفئات بالتساوي. على سبيل المثال، في مهمة تصنيف الصور القياسية التي تميز بين القطط والكلاب، إذا كانت مجموعة البيانات تحتوي على 500 صورة لكل منهما، فإن الدقة تعد مقياساً موثوقاً. ومع ذلك، تظهر التحديات مع مجموعات البيانات غير المتوازنة، مما يؤدي إلى ما يسمى "مفارقة الدقة".

إذا تم تدريب نموذج لـ كشف الاحتيال حيث تكون 1% فقط من المعاملات احتيالية، فإن النموذج الذي يتنبأ ببساطة بأن كل معاملة هي "شرعية" يحقق دقة بنسبة 99% بينما يفشل تماماً في أداء مهمته المقصودة. للتخفيف من حدة ذلك، غالباً ما يستخدم المهندسون Ultralytics Platform لتصور توزيع مجموعة البيانات والتأكد من أن النماذج لا تقوم ببساطة بحفظ الفئة الأغلبية.

تمييز الدقة عن المصطلحات ذات الصلة#

لفهم أداء النموذج بشكل كامل، من الضروري التمييز بين الدقة والمقاييس المماثلة:

• الدقة (Precision): يقيس هذا المقياس جودة التنبؤات الإيجابية. وهو يتساءل: "من بين جميع الحالات المتنبأ بها على أنها إيجابية، كم عددها التي كانت إيجابية حقاً؟"
• الاسترجاع (Recall): يُعرف أيضاً بالحساسية، ويقيس هذا المقياس قدرة النموذج على العثور على جميع الحالات ذات الصلة. وهو يتساءل: "من بين جميع الحالات الإيجابية الفعلية، كم عددها التي حددها النموذج بشكل صحيح؟"
• درجة F1 (F1-Score): يمثل هذا المقياس الوسط التوافقي للدقة والاسترجاع، مما يوفر درجة واحدة توازن بين الاثنين، وهو مفيد بشكل خاص لتوزيعات الفئات غير المتساوية.

في حين توفر الدقة رؤية شاملة للصحة، تقدم الدقة (Precision) والاستدعاء (Recall) رؤى حول أنواع محددة من الأخطاء، مثل الإيجابيات الكاذبة أو السلبيات الكاذبة.

تطبيقات العالم الحقيقي#

تمتد فائدة الدقة عبر مختلف الصناعات، مما يؤكد موثوقية الرؤية الحاسوبية والنماذج التنبؤية في البيئات الحرجة.

• التشخيص الطبي: في مجال تحليل الصور الطبية، تُستخدم النماذج لتصنيف صور الأشعة السينية أو الرنين المغناطيسي. يعتمد النموذج الذي يصنف عمليات المسح على أنها "سليمة" أو "مرضية" على دقة عالية لضمان حصول المرضى على تشخيصات صحيحة. تعتمد الابتكارات في مجال الذكاء الاصطناعي في الرعاية الصحية بشكل كبير على التحقق الصارم تقليلاً للأخطاء الآلية.
• مراقبة الجودة في التصنيع: تستخدم الأنظمة الآلية في التصنيع الذكي الفحص البصري لتحديد العيوب على خطوط التجميع. تضمن الدقة العالية شحن المنتجات الخالية من العيوب فقط، مما يقلل من الهدر وتكاليف الضمان. من خلال توظيف اكتشاف الكائنات لرصد العيوب، تحافظ المصانع على معايير الإنتاج تلقائياً.

قياس الدقة في الكود#

في السيناريوهات العملية باستخدام Python، يمكن للمطورين قياس دقة النموذج بسهولة باستخدام المكتبات القائمة. يوضح المثال التالي كيفية التحقق من صحة نموذج تصنيف YOLO26 للحصول على دقة الفئة الأولى (Top-1 accuracy). تشير دقة الفئة الأولى إلى تكرار تطابق التنبؤ ذو الاحتمالية الأعلى للنموذج مع التسمية الصحيحة.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Validate the model on a standard dataset (e.g., MNIST)
metrics = model.val(data="mnist")

# Print the Top-1 Accuracy
print(f"Top-1 Accuracy: {metrics.top1:.4f}")

استراتيجيات التحسين#

عندما يعاني النموذج من انخفاض الدقة، يمكن استخدام عدة تقنيات لتعزيز الأداء. غالباً ما يستعين المهندسون بـ زيادة البيانات لزيادة تنوع مجموعة التدريب اصطناعياً، مما يمنع النموذج من التفريط في التخصيص (Overfitting). بالإضافة إلى ذلك، يمكن لـ ضبط المعلمات الفائقة - مثل تعديل إعدادات مثل معدل التعلم - أن يؤثر بشكل كبير على التقارب. بالنسبة للمهام المعقدة، يتيح التعلم المنقول للنموذج الاستفادة من المعرفة المستمدة من مجموعة بيانات كبيرة مدربة مسبقاً (مثل ImageNet) لتحقيق دقة أعلى على مجموعة بيانات أصغر ومحددة.