Confusion Matrix

تعد مصفوفة الارتباك أداة لقياس الأداء في مسائل التصنيف ضمن تعلم الآلة حيث يمكن أن تكون المخرجات فئتين أو أكثر. وهي عبارة عن جدول يحتوي على أربع مجموعات مختلفة من القيم المتوقعة والفعلية، وتُعد عنصراً أساسياً لـ تصور البيانات في تقييم النماذج. وخلافاً للدقة البسيطة، التي قد تكون مضللة إذا كانت مجموعة البيانات غير متوازنة، توفر مصفوفة الارتباك تحليلاً دقيقاً للمواضع التي يرتكب فيها نموذج رؤية الحاسوب (CV) أخطاءه. ومن خلال مقارنة التنبؤات بملصقات الحقيقة الأرضية، يمكن للمطورين تحديد ما إذا كان النظام يخلط بين فئتين محددتين أو يفشل في اكتشاف كائن ما تماماً.

Link to this sectionالمكونات الأساسية للمصفوفة#

تنقسم المصفوفة عادةً إلى أربعة أرباع للتصنيف الثنائي، على الرغم من أنها تتوسع لتشمل مسائل التصنيف متعدد الفئات مثل تلك التي تتعامل معها Ultralytics YOLO26. وتمثل هذه المكونات الأربعة تقاطع ما تنبأ به النموذج مقابل ما هو موجود بالفعل في الصورة.

• الإيجابيات الحقيقية (TP): يتنبأ النموذج بالفئة الإيجابية بشكل صحيح. على سبيل المثال، في مهمة اكتشاف الكائنات، ينجح النموذج في رسم مربع إحاطة حول شخص موجود بالفعل في الإطار.
• السلبيات الحقيقية (TN): يتنبأ النموذج بالفئة السلبية بشكل صحيح. يعد هذا أمراً بالغ الأهمية في سيناريوهات مثل اكتشاف الشذوذ، حيث يحدد النظام بشكل صحيح أن الجزء المُصنّع لا يحتوي على عيوب.
• الإيجابيات الكاذبة (FP): يتنبأ النموذج بالفئة الإيجابية بشكل غير صحيح. يُطلق عليه غالباً "خطأ من النوع الأول"، ويحدث هذا عندما يكتشف النظام كائناً غير موجود، مثل كاميرا أمنية تُصنف ظلاً على أنه متسلل.
• السلبيات الكاذبة (FN): يتنبأ النموذج بالفئة السلبية بشكل غير صحيح. يُعرف باسم "خطأ من النوع الثاني"، ويحدث هذا عندما يفشل النموذج في اكتشاف كائن موجود بالفعل، مما يعني أساساً "فقدان" الهدف.

Link to this sectionالمقاييس المشتقة والأهمية#

تُستخدم الأرقام الأولية في مصفوفة الارتباك لحساب مقاييس أكثر تقدماً تصف أداء النموذج. يعد فهم هذه المشتقات ضرورياً لتحسين الشبكات العصبية.

• الدقة (Precision): تُحسب كـ TP / (TP + FP)، ويكشف هذا المقياس عن مدى دقة التنبؤات الإيجابية. تعني الدقة العالية عدداً أقل من الإنذارات الكاذبة.
• الاستدعاء (الحساسية): يُحسب كـ TP / (TP + FN)، ويقيس قدرة النموذج على العثور على جميع الحالات الإيجابية. يكون الاستدعاء العالي حيوياً عندما يكون لفقدان كائن ما عواقب وخيمة.
• درجة F1: المتوسط التوافقي للدقة والاستدعاء. توفر درجة واحدة توازن بين المقاييس، وهي مفيدة لمقارنة نماذج YOLO26 المختلفة.

Link to this sectionتطبيقات العالم الحقيقي#

تحدد التكلفة المحددة للأخطاء الناتجة عن مصفوفة الارتباك كيفية ضبط النماذج لتناسب مختلف الصناعات.

في مجال الذكاء الاصطناعي في الرعاية الصحية، تُعد مصفوفة الارتباك مسألة تتعلق بالسلامة. عند تدريب نموذج لـ تحليل الصور الطبية لاكتشاف الأورام، فإن السلبية الكاذبة (فقدان ورم) أسوأ بكثير من الإيجابية الكاذبة (تحديد بقعة حميدة لمراجعتها من قبل الطبيب). لذلك، يعطي المهندسون الأولوية للاستدعاء على حساب الدقة في هذه المصفوفات لضمان عدم تجاهل أي مخاطر صحية محتملة.

على العكس من ذلك، في مراقبة جودة التصنيع، تعد الكفاءة أمراً أساسياً. إذا كان النظام الذي يصنف أجزاء خط التجميع يولد عدداً كبيراً جداً من الإيجابيات الكاذبة (تحديد الأجزاء الجيدة على أنها معيبة)، فإنه يسبب هدراً غير ضروري ويبطئ الإنتاج. هنا، تساعد مصفوفة الارتباك المهندسين على ضبط النموذج لتحقيق أقصى قدر من الدقة، مما يضمن أن ما يتم رفضه معيب حقاً، مما يؤدي إلى تبسيط سير عمل تعلم الآلة المؤتمت.

Link to this sectionإنشاء مصفوفة الارتباك باستخدام YOLO26#

عند استخدام الأطر الحديثة، غالباً ما يكون إنشاء هذه المصفوفة جزءاً من خط أنابيب التحقق القياسي. يوضح المثال أدناه كيفية التحقق من نموذج YOLO26 والوصول إلى بيانات مصفوفة الارتباك باستخدام حزمة ultralytics.

from ultralytics import YOLO

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

# Validate the model on the COCO8 dataset
# This automatically generates and plots the confusion matrix
metrics = model.val(data="coco8.yaml")

# Access the confusion matrix object directly
print(metrics.confusion_matrix.matrix)

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

من المهم التمييز بين مصفوفة الارتباك ومصطلحات التقييم المماثلة.

• مقابل الدقة الكلية (Accuracy): الدقة الكلية هي ببساطة نسبة التنبؤات الصحيحة إلى إجمالي التنبؤات. وعلى الرغم من فائدتها، يمكن أن تكون مضللة للغاية في مجموعات البيانات غير المتوازنة. على سبيل المثال، إذا كانت 95% من رسائل البريد الإلكتروني ليست رسائل مزعجة، فإن النموذج الذي يتنبأ بـ "ليس مزعجاً" لـ كل رسالة بريد إلكتروني سيحقق دقة بنسبة 95% ولكنه عديم الفائدة. تكشف مصفوفة الارتباك عن هذا الخلل من خلال إظهار صفر إيجابيات حقيقية لفئة الرسائل المزعجة.
• مقابل منحنى ROC: توفر مصفوفة الارتباك لقطة للأداء عند عتبة ثقة محددة. في المقابل، يصور منحنى خصائص تشغيل المستقبل (ROC) كيف يتغير معدل الإيجابيات الحقيقية ومعدل الإيجابيات الكاذبة مع تغير تلك العتبة. تسمح أدوات مثل منصة Ultralytics للمستخدمين باستكشاف كِلا التصورين لاختيار نقطة التشغيل المثلى لنشر نماذجهم.