Confusion Matrix

مصفوفة الالتباس هي أداة لقياس الأداء في مسائل تصنيف تعلّم الآلة التي يمكن أن يكون ناتجها فئتين أو أكثر. وهي جدول يضم أربع مجموعات مختلفة من القيم المتوقعة والفعلية، وتُعد عنصرًا أساسيًا في تصوير البيانات لتقييم النماذج. وعلى خلاف الدقة البسيطة، التي قد تكون مضللة إذا كانت مجموعة البيانات غير متوازنة، تقدم مصفوفة الالتباس تحليلًا تفصيليًا للأخطاء التي يرتكبها نموذج الرؤية الحاسوبية (CV). ومن خلال مقارنة التنبؤات بتسميات الحقيقة الأساسية، يمكن للمطورين تحديد ما إذا كان النظام يخلط بين فئتين محددتين أو يفشل في اكتشاف كائن بالكامل.

المكونات الأساسية للمصفوفة#

تُقسَّم المصفوفة نفسها عادةً إلى أربعة أرباع في التصنيف الثنائي، لكنها تتوسع لتلائم مسائل التصنيف متعدد الفئات، مثل تلك التي يعالجها Ultralytics YOLO26. وتمثل هذه المكونات الأربعة تقاطع ما تنبأ به النموذج مع ما هو موجود فعليًا في الصورة.

• الإيجابيات الحقيقية (TP): يتنبأ النموذج بالفئة الإيجابية على نحو صحيح. على سبيل المثال، في مهمة اكتشاف الكائنات، يرسم النموذج بنجاح مربع إحاطة حول شخص موجود فعليًا في الإطار.
• السلبيات الحقيقية (TN): يتنبأ النموذج بالفئة السلبية على نحو صحيح. ويكتسب ذلك أهمية بالغة في سيناريوهات مثل اكتشاف الحالات الشاذة، حيث يحدد النظام بشكل صحيح أن قطعة مُصنَّعة لا تحتوي على عيوب.
• الإيجابيات الكاذبة (FP): يتنبأ النموذج بالفئة الإيجابية على نحو غير صحيح. ويُطلق على ذلك غالبًا اسم "خطأ من النوع الأول"، ويحدث عندما يكتشف النظام كائنًا غير موجود، مثل أن ترصد كاميرا أمنية ظلًا وتضعه على أنه متسلل.
• السلبيات الكاذبة (FN): يتنبأ النموذج بالفئة السلبية على نحو غير صحيح. ويُعرف ذلك باسم "خطأ من النوع الثاني"، ويحدث عندما يفشل النموذج في اكتشاف كائن موجود، أي إنه "يفوّت" الهدف فعليًا.

المقاييس المشتقة وأهميتها#

تُستخدم الأرقام الأولية في مصفوفة الالتباس لحساب مقاييس أكثر تقدمًا تصف أداء النموذج. ويُعد فهم هذه المقاييس المشتقة أمرًا أساسيًا لتحسين الشبكات العصبية.

• الدقة الإيجابية (Precision): تُحسب وفقًا للمعادلة TP / (TP + FP)، ويكشف هذا المقياس مدى دقة التنبؤات الإيجابية. وتعني الدقة العالية عددًا أقل من الإنذارات الكاذبة.
• الاستدعاء (الحساسية) (Recall (Sensitivity)): يُحسب وفقًا للمعادلة TP / (TP + FN)، ويقيس قدرة النموذج على العثور على جميع الحالات الإيجابية. ويُعد الاستدعاء العالي أمرًا حيويًا عندما تترتب على عدم اكتشاف كائن عواقب وخيمة.
• درجة F1: هي المتوسط التوافقي للدقة والاستدعاء. وتوفر درجة واحدة توازن المفاضلة بينهما، ما يجعلها مفيدة لمقارنة نماذج YOLO26 المختلفة.

التطبيقات الواقعية#

تحدد التكلفة المحددة للأخطاء التي تكشفها مصفوفة الالتباس كيفية ضبط النماذج لتناسب الصناعات المختلفة.

في مجال الذكاء الاصطناعي في الرعاية الصحية، تمثل مصفوفة الالتباس مسألة تتعلق بالسلامة. فعند تدريب نموذج لإجراء تحليل الصور الطبية لاكتشاف الأورام، يكون السلبي الكاذب (عدم اكتشاف ورم) أسوأ بكثير من الإيجابي الكاذب (الإبلاغ عن بقعة حميدة لمراجعتها من الطبيب). لذلك، يعطي المهندسون الأولوية للاستدعاء على الدقة في هذه المصفوفات لضمان عدم إغفال أي مخاطر صحية محتملة.

وعلى العكس، في مراقبة الجودة في التصنيع، تُعد الكفاءة أمرًا أساسيًا. فإذا ولّد نظام يصنف أجزاء خط التجميع عددًا كبيرًا جدًا من الإيجابيات الكاذبة (تصنيف الأجزاء السليمة على أنها معيبة)، فإنه يتسبب في هدر غير ضروري ويبطئ الإنتاج. وهنا تساعد مصفوفة الالتباس المهندسين على ضبط النموذج لتعظيم الدقة، بما يضمن أن ما يُرفض معيب فعلًا، وأن تصبح عمليات سير عمل تعلّم الآلة المؤتمت أكثر انسيابية.

إنشاء مصفوفة التباس باستخدام Ultralytics YOLO26#

عند استخدام أطر العمل الحديثة، غالبًا ما يكون إنشاء هذه المصفوفة جزءًا من مسار التحقق القياسي. يوضح المثال أدناه كيفية التحقق من صحة نموذج YOLO26 والوصول إلى بيانات مصفوفة الالتباس باستخدام الحزمة 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)

تمييز المفاهيم ذات الصلة#

من المهم التمييز بين مصفوفة الالتباس ومصطلحات التقييم المشابهة.

• مقابل الدقة (Accuracy): الدقة هي ببساطة نسبة التنبؤات الصحيحة إلى إجمالي التنبؤات. وعلى الرغم من فائدتها، قد تكون الدقة مضللة للغاية في مجموعات البيانات غير المتوازنة. فعلى سبيل المثال، إذا لم تكن 95% من رسائل البريد الإلكتروني رسائل مزعجة، فإن نموذجًا يتنبأ بأن كل رسالة بريد إلكتروني "غير مزعجة" يحقق دقة تبلغ 95%، لكنه عديم الفائدة. تكشف مصفوفة الالتباس هذا الخلل من خلال إظهار عدم وجود أي إيجابيات حقيقية لفئة الرسائل المزعجة.
• مقابل منحنى ROC: توفر مصفوفة الالتباس لقطة لأداء النموذج عند عتبة ثقة محددة واحدة. وعلى النقيض من ذلك، يصور منحنى خاصية تشغيل المستقبل (ROC) كيفية تغير معدل الإيجابيات الحقيقية ومعدل الإيجابيات الكاذبة مع تغيير تلك العتبة. وتتيح أدوات مثل منصة Ultralytics للمستخدمين استكشاف كلا التصورين لاختيار نقطة التشغيل المثلى لنشر النموذج.