Precision

الدقة هي نسبة التنبؤات الإيجابية للنموذج الصحيحة. وتجيب عن السؤال «عندما يقول النموذج نعم، كم مرة تكون إجابته صحيحة؟» وتُحسب بقسمة الإيجابيات الحقيقية على جميع التنبؤات الإيجابية: الدقة = TP / (TP + FP)، حيث تكون الإيجابية الكاذبة (FP) حالة سلبية صنّفها النموذج خطأً على أنها إيجابية. وتتراوح الدقة من 0 إلى 1، لذا تعني دقة قدرها 0.95 أن تنبيهًا واحدًا من كل 20 إنذار كاذب. وتُستخدم القيمة التنبؤية الإيجابية (PPV) مرادفًا لها في الطب، بينما يساوي معدل الاكتشافات الكاذبة واحدًا ناقص الدقة. وتكتسب الدقة أهمية قصوى عندما تكون الإنذارات الكاذبة مكلفة، مثل مرشح بريد عشوائي يخفي رسائل حقيقية، أو نظام فحص يتخلص من قطع سليمة، أو كاميرا أمنية تستدعي الحراس بسبب الظلال.

كيفية حساب الدقة#

تستخدم الدقة خليتين من مصفوفة الالتباس: الإيجابيات الحقيقية والإيجابيات الكاذبة، اللتين تشكّلان معًا جميع التنبؤات الإيجابية. ولا تدخل الإيجابيات التي لم تُكتشف في المعادلة، لذا يمكن لنموذج لا يرصد سوى الحالة الواحدة الأكثر يقينًا لديه أن يحقق دقة قدرها 1.0 مع اكتشاف عدد ضئيل جدًا من الحالات. لذلك تُعرض الدقة إلى جانب الاستدعاء، المحسوب وفق TP / (TP + FN)، الذي يعاقب تلك الحالات الفائتة تحديدًا، بينما تجمع درجة F1 بين المقياسين في قيمة واحدة. عندما لا يصدر النموذج أي تنبؤ إيجابي، تكون الدقة 0 / 0 وغير معرّفة، وتعرضها مكتبات مثل scikit-learn على أنها 0 مع تحذير.

عند وجود أكثر من فئتين، تُحسب الدقة لكل فئة على حدة، باعتبار الفئة المعنية إيجابيةً وكل ما عداها سلبيًا، ثم يُحسب المتوسط. ويمنح المتوسط الكلي الدقةَ نفسها لكل فئة، وفي مهام التصنيف متعدد الفئات أحادي التسمية تساوي الدقة المحسوبة بالمتوسط الدقيق الدقة الكلية.

تعتمد الدقة على معدل الانتشار#

يصف الاستدعاء والنوعية كيفية تعامل النموذج مع الإيجابيات والسلبيات كلٌّ على حدة، لذا يظلان ثابتين عندما تصبح الحالات الإيجابية أندر. أما الدقة فتجمع بين المجموعتين وتنخفض بانخفاض معدل الانتشار، لأن تطبيق معدل الإيجابيات الكاذبة نفسه على عدد أكبر من الحالات السلبية ينتج إنذارات كاذبة أكثر مقابل كل كشف صحيح. ويقيّم النص البرمجي أدناه باستخدام scikit-learn نموذج فحص واحدًا عند معدلي انتشار:

import numpy as np
from sklearn.metrics import accuracy_score, precision_score, recall_score

# One screening model at two prevalences: it finds 90% of positives and flags 1% of negatives
for positives in (1000, 100):
    negatives = 10_000 - positives
    tp, fp = int(0.9 * positives), int(0.01 * negatives)
    counts = [tp, positives - tp, fp, negatives - fp]  # TP, FN, FP, TN

    # Rebuild labels and predictions for 10,000 cases from the confusion-matrix counts
    y_true = np.repeat([1, 1, 0, 0], counts)
    y_pred = np.repeat([1, 0, 1, 0], counts)
    accuracy = accuracy_score(y_true, y_pred)
    recall = recall_score(y_true, y_pred)
    precision = precision_score(y_true, y_pred)
    print(f"{positives} positives: accuracy {accuracy:.3f}, recall {recall:.2f}, precision {precision:.2f}")

عند وجود 1,000 حالة إيجابية من أصل 10,000 حالة، يحقق النموذج دقة قدرها 0.91. وعند وجود 100 حالة إيجابية، يظل الاستدعاء 0.90، بل ترتفع الدقة الكلية إلى 0.989، لكن 99 إنذارًا كاذبًا تقابل الآن 90 كشفًا صحيحًا، وتنخفض الدقة إلى 0.48. لذا فإن الدقة المقاسة على مجموعة اختبار متوازنة تبالغ في تقدير الدقة التي سيُظهرها النموذج عند نشره حيثما تكون الحالات الإيجابية أندر، مثل الفحص للكشف عن مرض نادر.

الدقة في كشف الأجسام#

في كشف الأجسام، يُعد كل صندوق متنبأ به يتجاوز عتبة الثقة تنبؤًا إيجابيًا. تُطابق التنبؤات بترتيب تنازلي حسب مستوى الثقة، ولا يُعد الصندوق إيجابيًا حقيقيًا إلا إذا تداخل مع جسم موسوم من الفئة نفسها بنسبة التقاطع إلى الاتحاد (IoU) تبلغ العتبة أو تتجاوزها، ولم يكن ذلك الجسم قد خُصص بالفعل لصندوق ذي درجة أعلى. وتُحسب الصناديق الواقعة على الخلفية، والصناديق ذات الفئة الخاطئة، والصناديق الموضوعة بشكل غير دقيق، والصناديق المكررة على جسم سبق تطابقه، كلها إيجابيات كاذبة.

تؤدي زيادة عتبة الثقة إلى إزالة الصناديق ذات الدرجات المنخفضة، التي تكون أكثر عرضة للخطأ، لذا ترتفع الدقة عادةً مع انخفاض الاستدعاء. ويؤدي رسم الدقة مقابل الاستدعاء عبر جميع العتبات إلى منحنى الدقة والاستدعاء، وتساوي المساحة تحته متوسط الدقة (AP)، الذي يحسب متوسط الدقة المتوسطة (mAP) متوسطه عبر الفئات، وعبر عشر عتبات لـIoU في حالة mAP_50-95. ويحفظ التحقق في YOLO26 دقة كل فئة عند كل عتبة ثقة باسم BoxP_curve.png، ويعرض الدقة (P) عند عتبة الثقة التي تبلغ عندها قيمة F1 المتوسطة ذروتها، إلى جانب الاستدعاء وmAP.

تحسين الدقة#

• ارفع عتبة الثقة: أسرع الحلول، لكن على حساب انخفاض الاستدعاء.
• أضف الحالات السلبية الصعبة: أضف إلى بيانات التدريب الأجسام المشابهة والمشاهد الخالية التي تطلق إنذارات كاذبة، كي يتعلّم النموذج ما ينبغي ألا يصنّفه. ويُسمى اختيار الحالات السلبية الأكثر التباسًا بهذه الطريقة تنقيب الحالات السلبية الصعبة.
• إصلاح التسميات المفقودة: يُحتسب الكشف الصحيح عن جسم أغفله المعلِّق نتيجةً إيجابية كاذبة، لذا تجعل تسميات الحقيقة الأرضية غير المكتملة قيمة الدقة تبدو أسوأ مما هي عليه.
• فصل الفئات الملتبسة: تُظهر مصفوفة الالتباس الفئات التي يخلط النموذج بينها، وتؤدي إضافة أمثلة أو توضيح تعريفات الفئات لتلك الأزواج إلى إزالة النتائج الإيجابية الكاذبة المنسوبة إلى الفئة الخاطئة.

الدقة مقارنةً بالمصطلحات ذات الصلة#

• الاستدعاء: نسبة الحالات الإيجابية الفعلية التي يعثر عليها النموذج، TP / (TP + FN). وهو يحصي الحالات التي لم يعثر عليها النموذج، بينما تحصي الدقة الإنذارات الكاذبة.
• النوعية: نسبة الحالات السلبية الفعلية التي رُفضت على نحو صحيح، TN / (TN + FP). قد تؤدي النوعية البالغة 0.99 مع ذلك إلى دقة أدنى من 0.5 عندما تكون الحالات الإيجابية نادرة، كما يوضح برنامج الفحص النصي.
• الصحة: نسبة جميع التنبؤات الصحيحة، وتتأثر إلى حد كبير بالفئة الأكثر شيوعًا في البيانات غير المتوازنة.
• الدقة العددية: عدد البتات المستخدمة لتخزين كل قيمة، مثل 32 بت أو عدد بفاصلة عائمة بدقة 16 بت، وهو معنى آخر غير مرتبط للكلمة نفسها.
• الدقة في القياس: مدى تقارب القياسات المتكررة بعضها من بعض، بينما تصف الصحة مدى قربها من القيمة الحقيقية. فالميزان الذي يُظهر دائمًا وزنًا يزيد بمقدار 2 كغ يتميز بالدقة لكنه غير صحيح.