الدقة

كيف يتم حساب الدقة

يتم احتساب الدقة بقسمة عدد التنبؤات الصحيحة (كل من الإيجابيات الصحيحة والسلبيات الصحيحة) على إجمالي عدد التنبؤات التي تم إجراؤها. على سبيل المثال، إذا حدّد النموذج 90 صورة من أصل 100 صورة بشكل صحيح، فإن دقته تكون 90%. هذه البساطة تجعلها نقطة انطلاق شائعة لتقييم أداء النموذج.

الأهمية في الذكاء الاصطناعي والتعلم الآلي

توفر الدقة مقياساً مباشراً لمدى صحة النموذج بشكل عام. تُستخدم على نطاق واسع خلال المراحل الأولية من تطوير النموذج والتدريب على النموذج للحصول على فكرة عامة عن الأداء. غالبًا ما تكون الدقة العالية هدفًا أساسيًا للعديد من التطبيقات، مما يشير إلى أن النموذج يعمم بشكل جيد على البيانات الجديدة غير المرئية. العديد من النماذج الحديثة، مثل Ultralytics YOLOلاكتشاف الأجسام، تسعى جاهدةً لتحقيق دقة عالية مع موازنة عوامل أخرى مثل السرعة. يمكنك الاطلاع على مقارنات مثل YOLO11 مقابل YOLOv8 التي غالبًا ما تسلط الضوء على معايير الدقة.

حدود الدقة

على الرغم من بديهيتها، فإن دقتها لها قيود كبيرة:

• مجموعات البيانات غير المتوازنة: يمكن أن تكون الدقة مؤشراً ضعيفاً للأداء عند التعامل مع بيانات غير متوازنة، حيث تفوق فئة واحدة عدد الفئات الأخرى بشكل كبير. على سبيل المثال، عند الكشف عن مرض نادر (على سبيل المثال، انتشار بنسبة 1%)، فإن النموذج الذي يتنبأ دائمًا بـ "عدم وجود مرض" يحقق دقة بنسبة 99% ولكنه يفشل في تحديد أي حالات فعلية، مما يجعله عديم الفائدة. وهذا يسلط الضوء على أهمية النظر في التحيز المحتمل لمجموعة البيانات.
• تجاهل أنواع الأخطاء: تعامل الدقة جميع الأخطاء بالتساوي. ومع ذلك، في العديد من السيناريوهات الواقعية، تختلف تكلفة الأخطاء المختلفة. على سبيل المثال، غالبًا ما يكون التصنيف الخاطئ لورم خبيث على أنه حميد (سلبي كاذب) أكثر خطورة بكثير من تصنيف ورم حميد على أنه خبيث (إيجابي كاذب).
• مفارقة الدقة: في بعض الحالات، قد يكون النموذج الأقل دقة وفقًا للتعريف القياسي أكثر فائدة في الممارسة العملية. وهذا ما يعرف بمفارقة الدقة.

تمييز الدقة عن المقاييس الأخرى

نظرًا لمحدودية الدقة، خاصةً مع البيانات غير المتوازنة أو تكاليف الخطأ المتفاوتة، غالبًا ما يتم تفضيل مقاييس أخرى أو استخدامها إلى جانبها:

• الدقة: يقيس نسبة التعاريف الإيجابية التي كانت صحيحة بالفعل. الدقة العالية أمر بالغ الأهمية عندما تكون تكلفة الإيجابيات الخاطئة عالية (على سبيل المثال، مرشحات الرسائل غير المرغوب فيها التي تصنف رسائل البريد الإلكتروني المهمة على أنها رسائل غير مرغوب فيها).
• الاستدعاء (الحساسية): يقيس نسبة الإيجابيات الفعلية التي تم تحديدها بشكل صحيح. يعد الاستدعاء المرتفع أمرًا حيويًا عندما تكون تكلفة السلبيات الخاطئة عالية (على سبيل المثال، فقدان التشخيص).
• النتيجة F1-نتيجة: المتوسط التوافقي للدقة والتذكر، مما يوفر توازنًا بين الاثنين. وهو مفيد عندما تكون كل من الإيجابيات الخاطئة والسلبيات الخاطئة مهمة.
• متوسط الدقة المتوسطة (mAP): مقياس شائع في اكتشاف الكائنات يأخذ في الاعتبار كلاً من دقة التصنيف ودقة تحديد الموقع (IoU) عبر مستويات الاستدعاء المختلفة.
• مصفوفة الارتباك: جدول يصور أداء خوارزمية التصنيف، ويوضح الإيجابيات الحقيقية والسلبيات الحقيقية والإيجابيات الخاطئة والسلبيات الخاطئة، مما يساعد في حساب الدقة والاسترجاع والدقة.
• منحنيات ROC و AUC: تُظهر هذه المنحنيات المفاضلة بين المعدل الإيجابي الحقيقي (Recall) والمعدل الإيجابي الخاطئ في إعدادات عتبة مختلفة.

يسمح فهم مقاييس الأداء المختلفة هذه الخاصة بـ YOLO بإجراء تقييم أكثر دقة لأداء النموذج المصمم خصيصًا لتلبية احتياجات محددة.

تطبيقات الذكاء الاصطناعي/التعلم الآلي في العالم الحقيقي

1. تحليل الصور الطبية: في مهام مثل الكشف عن الأورام باستخدام YOLO11 بينما يتم النظر في الدقة الإجمالية، غالبًا ما يتم إعطاء الأولوية لمقاييس مثل Recall (الحساسية) لتقليل مخاطر فقدان الأورام الفعلية (السلبيات الكاذبة). يجب أن توازن الحلول في مجال الذكاء الاصطناعي في الرعاية الصحية بين هذه المقاييس بعناية.
2. المركبات ذاتية القيادة: بالنسبة للذكاء الاصطناعي في حلول السيارات، تحتاج نماذج اكتشاف الأجسام إلى دقة عالية في تحديد المشاة والمركبات والعوائق. ومع ذلك، فإن مجرد قياس الدقة الإجمالية ليس كافياً؛ فمقاييس مثل mAP ضرورية لضمان التصنيف الصحيح والتوطين الدقيق( التنبؤبالمربع المحيط ) من أجل السلامة.

تحسين دقة النموذج

يمكن أن تساعد العديد من التقنيات في تحسين دقة النموذج، على الرغم من أنها غالبًا ما تنطوي على مقايضات مع مقاييس أخرى أو تكلفة حسابية:

• زيادة البيانات: زيادة تنوع بيانات التدريب بشكل مصطنع دون جمع عينات جديدة. راجع دليل زيادة بياناتYOLO Data Augmentation للحصول على أمثلة.
• ضبط المقياس الفائق: تحسين المعلمات مثل معدل التعلم أو حجم الدفعة التي يتم تعيينها قبل بدء التدريب. يمكن أن تساعدك أدلة مثل دليل ضبط المعلمة الفائقة.
• اختيار البنى المتقدمة: اختيار طرازات أكثر قوة مثل طرازاتUltralytics YOLO الأحدث أو المحولات.
• نقل التعلم: استخدام نماذج مُدرّبة مسبقًا على مجموعات بيانات كبيرة مثل ImageNet وضبطها على مهمة محددة.
• طرق المجموعة: الجمع بين التنبؤات من نماذج متعددة لتحسين الأداء العام.

يمكن أن توفر الموارد الاستشارية مثل نصائح تدريب النماذج إرشادات عملية. تسمح منصات مثل Ultralytics HUB للمستخدمين بتدريب النماذج وتتبع الدقة بسهولة إلى جانب المقاييس الرئيسية الأخرى، وغالباً ما يتم تصورها باستخدام أدوات مثل TensorBoard. يمكن تتبع التقدم في هذا المجال من خلال موارد مثل تقرير مؤشر ستانفورد للذكاء الاصطناعي أو تصفح مجموعات البيانات على موقع Papers With Code. أطر عمل مثل PyTorch (انظر الموقع الرسمي) و TensorFlow (انظر الموقع الرسمي) تُستخدم عادةً لبناء هذه النماذج وتدريبها.

في الختام، على الرغم من أن الدقة مقياس قيّم وبديهي لتقييم أداء نموذج الذكاء الاصطناعي، إلا أنه نادراً ما ينبغي استخدامه بمعزل عن غيره. يعد النظر في الأهداف المحددة لمهمة التعلم الآلي وطبيعة البيانات، خاصةً الاختلالات المحتملة أو التكاليف المتفاوتة للأخطاء، أمرًا ضروريًا لاختيار مقاييس التقييم الأنسب مثل الدقة أو الاستدعاء أو النتيجة F1 أو mAP. يمكن أن يوفر استخدام تقنيات من الذكاء الاصطناعي القابل للتفسير (XAI) أيضًا رؤى أعمق من قيم المقياس الواحد.