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