نتيجة F1

يُعد مقياس F1-Score مقياسًا مستخدمًا على نطاق واسع في التعلم الآلي لتقييم أداء نموذج التصنيف. فهو يجمع بذكاء مقياسين مهمين آخرين - الدقة و الاسترجاع - في قيمة واحدة. باعتباره الوسط التوافقي للدقة والاسترجاع، يوفر مقياس F1-Score قياسًا أكثر توازنًا لأداء النموذج، خاصةً عند التعامل مع مجموعات البيانات غير المتوازنة حيث تكون إحدى الفئات أكثر تكرارًا من الأخرى. في مثل هذه السيناريوهات، يمكن أن تكون درجة الدقة العالية مضللة، ولكن مقياس F1-Score يعطي إحساسًا أفضل بفعالية النموذج في تحديد الفئة الأقلية بشكل صحيح.

لفهم مقياس F1 بشكل كامل، من الضروري فهم مكوناته. تجيب الدقة على السؤال: "من بين جميع التنبؤات الإيجابية التي قام بها النموذج، كم عددها كان صحيحًا بالفعل؟" أما الاسترجاع، من ناحية أخرى، فيجيب على السؤال: "من بين جميع الحالات الإيجابية الفعلية، كم عدد الحالات التي حددها النموذج بشكل صحيح؟" يوازن مقياس F1 بين هذين المقياسين، ويعاقب النماذج التي تتفوق في أحد المقياسين على حساب الآخر بشكل كبير. يصل مقياس F1 إلى أفضل قيمة له عند 1 (دقة واسترجاع مثاليان) وأسوأ قيمة له عند 0. هذا التوازن ضروري في العديد من التطبيقات الواقعية حيث تحمل كل من الإيجابيات الكاذبة والسلبيات الكاذبة تكاليف كبيرة. يعد تتبع هذا المقياس أثناء تدريب النموذج ممارسة قياسية في MLOps.

نتيجة F1 في العمل: أمثلة من العالم الحقيقي

يُعد مقياس F1-Score أمرًا بالغ الأهمية في العديد من تطبيقات الذكاء الاصطناعي (AI) حيث تكون عواقب سوء التصنيف وخيمة:

1. تحليل الصور الطبية للكشف عن الأمراض: ضع في اعتبارك نموذج الذكاء الاصطناعي المصمم لاكتشاف الأورام السرطانية من عمليات المسح باستخدام رؤية الكمبيوتر (CV).

   • يعني السلبي الكاذب (انخفاض الاسترجاع) الفشل في اكتشاف السرطان عند وجوده، مما قد يكون له عواقب وخيمة على المريض.
   • يعني الإيجابي الكاذب (انخفاض الدقة) تشخيص السرطان عند غيابه، مما يؤدي إلى ضغوط وتكاليف غير ضرورية وإجراء المزيد من الاختبارات الغازية.
   • يساعد مقياس F1 في تقييم النماذج مثل تلك المستخدمة في حلول الرعاية الصحية التي تعتمد على الذكاء الاصطناعي من خلال ضمان التوازن بين اكتشاف الحالات الفعلية (الاسترجاع) وتجنب التشخيصات الخاطئة (الدقة). قد يتضمن تدريب هذه النماذج مجموعات بيانات مثل مجموعة بيانات الكشف عن ورم في الدماغ.

2. تصفية البريد الإلكتروني العشوائي: تستخدم خدمات البريد الإلكتروني نماذج التصنيف لتحديد البريد العشوائي.

   • هناك حاجة إلى استرجاع عالٍ للقبض على أكبر قدر ممكن من البريد العشوائي. فقدان البريد العشوائي (سلبي كاذب) يزعج المستخدمين.
   • الدقة العالية ضرورية لتجنب وضع علامة على رسائل البريد الإلكتروني المشروعة ("غير المرغوب فيها") كرسائل غير مرغوب فيها (إيجابية خاطئة). يمكن أن يكون التصنيف الخاطئ لرسالة بريد إلكتروني مهمة مشكلة كبيرة.
   • يوفر مقياس F1-Score مقياسًا مناسبًا لتقييم الفعالية الكلية لمرشح البريد العشوائي، مما يوازن بين الحاجة إلى تصفية الرسائل غير المرغوب فيها دون فقدان الرسائل المهمة. غالبًا ما يتضمن ذلك تقنيات من معالجة اللغة الطبيعية (NLP).

كيف يختلف مقياس F1 عن المقاييس الأخرى؟

يُعد فهم التمييز بين درجة F1 ومقاييس التقييم الأخرى أمرًا أساسيًا لاختيار المقياس المناسب لمشروعك.

• F1-Score مقابل الدقة: الدقة هي نسبة التوقعات الصحيحة إلى العدد الإجمالي للتوقعات. على الرغم من سهولة فهمها، إلا أنها تعمل بشكل سيئ في مشاكل التصنيف غير المتوازنة. غالبًا ما يُفضل F1-Score في هذه الحالات لأنه يركز على أداء الفئة الإيجابية.
• F1-Score مقابل الدقة والاسترجاع: يجمع F1-Score بين الدقة و الاسترجاع في مقياس واحد. ومع ذلك، اعتمادًا على هدف التطبيق، قد ترغب في التحسين لأحدهما على الآخر. على سبيل المثال، في فحص أمن المطارات، يعد تعظيم الاسترجاع (العثور على جميع التهديدات المحتملة) أكثر أهمية من الدقة. إن فهم هذه المفاضلة بين الدقة والاسترجاع أمر أساسي.
• F1-Score مقابل متوسط الدقة (mAP): بينما يقوم F1-Score بتقييم أداء التصنيف عند عتبة ثقة محددة، فإن mAP هو المقياس القياسي لمهام اكتشاف الكائنات. يلخص درجة mAP منحنى الدقة والاسترجاع عبر عتبات مختلفة، مما يوفر تقييمًا أكثر شمولاً لقدرة النموذج على تحديد وتصنيف الكائنات. تساعد منصات مثل Ultralytics HUB في تتبع هذه المقاييس أثناء تطوير النموذج.
• F1-Score مقابل AUC (المساحة أسفل المنحنى): يتم حساب AUC من منحنى خاصية تشغيل المستقبل (ROC) ويمثل قدرة النموذج على التمييز بين الفئات عبر جميع العتبات المحتملة. على النقيض من ذلك، يتم حساب F1-Score لعتبة واحدة ومحددة.

في حين أن mAP هو المقياس الأساسي لنماذج اكتشاف الأجسام مثل Ultralytics YOLO11، إلا أن درجة F1 ضرورية لمهام تصنيف الصور التي يمكن أن تؤديها هذه النماذج أيضًا. يعد الفهم القوي لدرجة F1 أمرًا حيويًا لأي مطور يعمل على مشاكل التصنيف في التعلم العميق. يمكنك مقارنة أداء نماذج YOLO المختلفة، والتي غالبًا ما يتم قياسها على مجموعات بيانات مثل COCO.