Yolo فيجن شنتشن
شنتشن
انضم الآن
مسرد المصطلحات

المساحة تحت المنحنى (AUC)

تعرف على كيفية قياس أداء النموذج باستخدام مساحة تحت المنحنى (AUC). اكتشف دورها في التصنيف والرعاية الصحية والتمويل باستخدام Ultralytics .

المساحة تحت المنحنى (AUC) هي مقياس أداء شامل يستخدم في التعلم الآلي (ML) لتقييم القدرة التمييزية لنموذج التصنيف. على وجه التحديد، يقيس المساحة ثنائية الأبعاد تحت منحنى خصائص التشغيل المستقبلي (ROC)، مما يوفر قيمة عددية واحدة تتراوح من 0 إلى 1. يشير AUC بقيمة 1.0 إلى مصنف مثالي، بينما يشير AUC بقيمة 0.5 إلى أن أداء النموذج لا يتجاوز الصدفة العشوائية. نظرًا لأنه يجمع الأداء عبر جميع عتبات التصنيف الممكنة، فإن AUC فعال بشكل خاص في تقييم قدرات النمذجة التنبؤية في السيناريوهات التي يكون فيها حد القرار الأمثل غير معروف أو متغير.

العلاقة بين ROC و AUC

لفهم AUC بشكل كامل، يجب فهم منحنى ROC الأساسي. يرسم هذا الرسم البياني معدل الإيجابية الحقيقية (الاسترجاع) مقابل معدل الإيجابية الكاذبة في إعدادات عتبة مختلفة. يقيس AUC بشكل أساسي احتمالية أن يصنف النموذج حالة إيجابية مختارة عشوائياً أعلى من حالة سلبية مختارة عشوائياً.

  • القابلية للفصل: يقيس AUC مدى جودة تمييز النموذج بين الفئات (على سبيل المثال، "كلب" مقابل "قطة"). تعني القابلية للفصل الأعلى تنبؤات أفضل.
  • ثبات العتبة: على عكس مؤشر F1، الذي يعتمد على نقطة قطع محددة، يوفر AUC نظرة عامة واسعة على جودة النموذج.
  • ثبات المقياس: يقيس مدى جودة ترتيب التنبؤات، بدلاً من قيم احتمالاتها المطلقة .

تطبيقات واقعية

AUC هو مقياس مفضل في الصناعات التي تتعامل مع اتخاذ القرارات الحاسمة ومجموعات البيانات غير المتوازنة، حيث تكون إحدى الفئات أكثر ندرة من الأخرى بشكل ملحوظ.

  1. التشخيص الطبي: في مجال الذكاء الاصطناعي في الرعاية الصحية، يتم تدريب النماذج على تحديد الأمراض من خلال تحليل الصور الطبية. على سبيل المثال، يجب أن يعطي النموذج الذي يكتشف الأورام النادرة الأولوية للحساسية. يضمن ارتفاع AUC أن يقوم النظام بشكل موثوق بتعيين درجات مخاطر أعلى للمرضى الفعليين مقارنة بالأفراد الأصحاء، مما يقلل من النتائج السلبية الخاطئة الخطيرة.
  2. كشف الاحتيال المالي: تستخدم المؤسسات المالية الذكاء الاصطناعي في مجال التمويل للكشف عن المعاملات الاحتيالية. ونظراً لأن المعاملات المشروعة تفوق بكثير المعاملات الاحتيالية، يمكن للنموذج أن يحقق دقة بنسبة 99٪ بمجرد اعتبار كل شيء "مشروعاً". ويمنع AUC ذلك من خلال تقييم مدى نجاح النموذج في فصل محاولات الاحتيال الفعلية عن السلوك العادي، بغض النظر عن توزيع الفئات.

التمييز بين AUC والمقاييس ذات الصلة

من الضروري التمييز بين AUC و رؤى تقييم النماذج الأخرى لاختيار الأداة المناسبة لمشروعك.

  • AUC مقابل الدقة: الدقة هي ببساطة نسبة التنبؤات الصحيحة إلى إجمالي التنبؤات. في مجموعات البيانات شديدة الانحراف، يمكن أن تكون الدقة عالية بشكل مضلل. AUC قوي في مواجهة عدم التوازن بين الفئات، مما يوفر تقييمًا أكثر صدقًا لأداء المصنف.
  • AUC مقابل الدقة والاسترجاع: في حين أن ROC-AUC هو المعيار القياسي للنتائج المتوازنة، فإن المساحة تحت منحنى الدقة والاسترجاع (AUPRC) غالبًا ما تكون مفضلة عندما تكون الفئة "الإيجابية" نادرة للغاية وتكون الإيجابيات الخاطئة مصدر قلق كبير.
  • AUC مقابل mAP: في مهام الكشف عن الكائنات باستخدام نماذج مثل YOLO26، المقياس القياسي هو متوسط الدقة (mAP). في حين أن mAP من الناحية النظرية — حساب المساحة تحت منحنى الدقة-الاسترجاع عبر عتبات مختلفة للتقاطع فوق الاتحاد (IoU) — فإن AUC يشير بشكل صارم إلى منحنى ROC في التصنيف الثنائي أو متعدد الفئات.

مثال على الرمز

يوضح المثال التالي كيفية تحميل نموذج تصنيف YOLO26 المدرب مسبقًا وتشغيل التحقق من الصحة. بينما تبلغ نماذج YOLO بشكل أساسي عن دقة top-1 و top-5، فإن عملية التحقق من الصحة تولد بيانات التنبؤ اللازمة لتحليل المقاييس القائمة على المنحنيات.

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., imagenet10)
# This generates precision, recall, and accuracy metrics
results = model.val(data="imagenet10")

# Access top-1 accuracy, a key point on the ROC curve
print(f"Top-1 Accuracy: {results.top1:.4f}")
print(f"Top-5 Accuracy: {results.top5:.4f}")

لإدارة دورة الحياة الشاملة، بما في ذلك تعليق مجموعات البيانات والتدريب السحابي حيث يتم تصور هذه المقاييس تلقائيًا، يمكن للمطورين استخدام Ultralytics . وهذا يبسط عملية تفسير المقاييس المعقدة مثل AUC دون الحاجة إلى الحساب اليدوي.

انضم إلى مجتمع Ultralytics

انضم إلى مستقبل الذكاء الاصطناعي. تواصل وتعاون وانمو مع المبتكرين العالميين

انضم الآن