Confusion Matrix

مصفوفة الارتباك هي أداة لقياس الأداء لمشاكل تصنيف التعلم الآلي حيث يمكن أن يكون الناتج فئتين أو أكثر. وهي عبارة عن جدول يحتوي على أربعة تركيبات مختلفة من القيم المتوقعة والفعلية، وتعتبر عنصراً أساسياً لـ تصور البيانات في تقييم النماذج. على عكس الدقة البسيطة، والتي يمكن أن تكون مضللة إذا كانت مجموعة البيانات غير متوازنة، توفر مصفوفة الارتباك تفصيلاً دقيقاً للمكان الذي يرتكب فيه نموذج رؤية حاسوبية (CV) أخطاءه. ومن خلال مقارنة التنبؤات مقابل تسميات الحقيقة الأرضية، يمكن للمطورين تحديد ما إذا كان النظام يخلط بين فئتين معينتين أو يفشل في اكتشاف كائن بالكامل.

المكونات الأساسية للمصفوفة#

تنقسم المصفوفة نفسها عادةً إلى أربعة أرباع للتصنيف الثنائي، على الرغم من أنها تتوسع لمشاكل التصنيف المتعدد مثل تلك التي تتعامل معها Ultralytics YOLO26. تمثل 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 صندوق محيط حول شخص موجود بالفعل في الإطار.
• السلبيات الحقيقية (TN): يتنبأ النموذج بالفئة السلبية بشكل صحيح. هذا أمر بالغ الأهمية في سيناريوهات مثل اكتشاف الشذوذ، حيث يحدد النظام بدقة أن جزءاً مصنعاً ليس به عيوب.
• الإيجابيات الخاطئة (FP): يتنبأ النموذج بالفئة الإيجابية بشكل غير صحيح. يُطلق عليها غالباً "خطأ من النوع الأول"، ويحدث هذا عندما يكتشف النظام كائناً غير موجود، مثل كاميرا مراقبة تضع علامة على ظل على أنه متسلل.
• السلبيات الخاطئة (FN): يتنبأ النموذج بالفئة السلبية بشكل غير صحيح. يُعرف باسم "خطأ من النوع الثاني"، ويحدث هذا عندما يفشل النموذج في اكتشاف كائن موجود، مما يؤدي أساساً إلى "إغفال" الهدف.

المقاييس المشتقة والأهمية#

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

• الدقة (Precision): تُحسب كـ TP / (TP + FP)، ويكشف هذا المقياس عن مدى دقة التنبؤات الإيجابية. تعني الدقة العالية تقليل الإنذارات الكاذبة.
• الاسترجاع (الحساسية): يُحسب كـ TP / (TP + FN)، ويقيس قدرة النموذج على العثور على جميع الحالات الإيجابية. يعد الاسترجاع المرتفع أمراً حيويجاً عندما يكون لفقدان كائن عواقب وخيمة.
• نتيجة F1: المتوسط التوافقي للدقة والاسترجاع. وهي توفر نتيجة واحدة توازن بين المقايضتين، وهي مفيدة لمقارنة نماذج YOLO26 المختلفة.

تطبيقات العالم الحقيقي#

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

في مجال الذكاء الاصطناعي في الرعاية الصحية، تعتبر مصفوفة الارتباك مسألة سلامة. عند تدريب نموذج تحليل الصور الطبية للكشف عن الأورام، فإن السلبية الخاطئة (فقدان الورم) تعد أسوأ بكثير من الإيجابية الخاطئة (تحديد بقعة حميدة لمراجعة الطبيب). لذلك، يعطي المهندسون الأولوية للاسترجاع على الدقة في هذه المصفوفات لضمان عدم إغفال أي مخاطر صحية محتملة.

على العكس من ذلك، في مراقبة جودة التصنيع، تعتبر الكفاءة أمراً رئيسياً. إذا كان النظام الذي يصنف أجزاء خط التجميع يولد العديد من الإيجابيات الخاطئة (وضع علامة على الأجزاء الجيدة على أنها معيبة)، فسوف يتسبب ذلك في هدر غير ضروري ويبطئ الإنتاج. هنا، تساعد مصفوفة الارتباك المهندسين في ضبط النموذج لزيادة الدقة إلى أقصى حد، مما يضمن أن ما يتم رفضه معيب حقاً، مما تبسط سير عمل التعلم الآلي الآلي.

إنشاء 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 صحة 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)

التمييز بين المفاهيم ذات الصلة#

من المهم التمييز بين مصفوفة الارتباك ومصطلحات التقييم المماثلة.

• مقابل الدقة (Accuracy): الدقة هي ببساطة نسبة التنبؤات الصحيحة إلى إجمالي التنبؤات. على الرغم من فائدتها، إلا أن الدقة يمكن أن تكون مضللة للغاية في مجموعات البيانات غير المتوازنة. على سبيل المثال، إذا كان 95% من رسائل البريد الإلكتروني ليست رسائل مزعجة، فإن النموذج الذي يتنبأ بأن "البريد ليس مزعجاً" لكل بريد إلكتروني يحقق دقة بنسبة 95% ولكنه عديم الفائدة. تكشف مصفوفة الارتباك عن هذا العيب من خلال إظهار صفر إيجابيات حقيقية لفئة الرسائل المزعجة.
• مقابل منحنى ROC: توفر مصفوفة الارتباك لقطة للأداء عند عتبة ثقة واحدة محددة. في المقابل، يصور منحنى خصائص تشغيل المستقبل (ROC) كيف يتغير معدل الإيجابيات الحقيقية ومعدل الإيجابيات الخاطئة عندما تتباين تلك العتبة. تتيح الأدوات مثل منصة Ultralytics للمستخدمين استكشاف كلا التصورين لاختيار نقطة التشغيل المثالية لنشرهم.