مصطلحًا
الدقة (Accuracy)
- الفئة
- Evaluation, Safety & Governance
- الصعوبة
- مبتدئ
التعريف
في تعلم الآلة، الدقة هي مقياس أداء يُعرَّف بأنه نسبة الملاحظات التي تم التنبؤ بها بشكل صحيح إلى إجمالي عدد الملاحظات في مجموعة البيانات.
آلية العمل والسياق
تعد الدقة المقياس الأكثر مباشرة لتقييم نماذج التصنيف، ويتم حسابها بقسمة عدد التنبؤات الصحيحة (الإيجابيات الحقيقية والسلبيات الحقيقية) على إجمالي عدد التنبؤات. وعلى الرغم من بساطتها، إلا أن الدقة غالباً ما تكون غير كافية لأنظمة الذكاء الاصطناعي في العالم الحقيقي. أحد القيود الرئيسية هو فشلها في مراعاة عدم توازن الفئات؛ على سبيل المثال، في نموذج التشخيص الطبي حيث يكون 99% من المرضى أصحاء، سيحقق النموذج الذي يتنبأ بـ 'سليم' للجميع دقة بنسبة 99% بينما يفشل في تحديد أي مرضى مصابين. ونتيجة لذلك، غالباً ما يكمل الممارسون الدقة بمقاييس الدقة (Precision)، والاستدعاء (Recall)، ودرجة F1 للحصول على فهم أكثر دقة لسلوك النموذج. علاوة على ذلك، تعامل الدقة جميع الأخطاء على أنها متساوية في الأهمية، وهو أمر نادراً ما يحدث في التطبيقات الحساسة للسلامة مثل القيادة الذاتية أو الكشف عن الاحتيال المالي، حيث قد تكون النتيجة السلبية الخاطئة أكثر تكلفة بكثير من النتيجة الإيجابية الخاطئة.
لماذا هو مهم
توفر الدقة لمحة سريعة وعالية المستوى عن أداء النموذج، مما يجعلها أساساً مفيداً للاختبار الأولي. ومع ذلك، فإن الاعتماد فقط على الدقة يمكن أن يؤدي إلى ثقة مفرطة وخطيرة في أنظمة الذكاء الاصطناعي. يعد فهم قيودها أمراً بالغ الأهمية للمطورين وأصحاب المصلحة لضمان أن النماذج ليست 'صحيحة' في المتوسط فحسب، بل موثوقة في الحالات النادرة والمحددة التي تحدد السلامة والمنفعة في العالم الحقيقي.
مثال واقعي
ضع في اعتبارك مرشح رسائل مزعجة (Spam filter) تم تدريبه على مجموعة بيانات حيث 95% من رسائل البريد الإلكتروني مشروعة و5% مزعجة. إذا كان النموذج ضعيف التدريب ويصنف ببساطة كل بريد إلكتروني وارد على أنه 'ليس مزعجاً'، فسيحقق دقة بنسبة 95%. على الرغم من أن هذا الرقم يبدو مرتفعاً، إلا أن النموذج عديم الفائدة لأنه يفشل في اكتشاف أي رسائل مزعجة، مما يوضح سبب كون الدقة وحدها مؤشراً ضعيفاً للأداء في مجموعات البيانات غير المتوازنة.
أخطاء شائعة
- افتراض أن الدقة العالية تعني أن النموذج آمن أو موثوق لجميع حالات الاستخدام.
- استخدام الدقة كمقياس أساسي لمجموعات البيانات ذات التفاوت الكبير في الفئات.
- تجاهل تكلفة أنواع مختلفة من الأخطاء (الإيجابيات الخاطئة مقابل السلبيات الخاطئة) من خلال التركيز فقط على درجة الدقة الإجمالية.
- الفشل في التحقق من الدقة عبر مجموعات فرعية أو شرائح مختلفة من البيانات.
الأسئلة الشائعة
متى يجب أن أتجنب استخدام الدقة كمقياس؟
يجب عليك تجنب الدقة كلما كانت مجموعة البيانات الخاصة بك غير متوازنة، مما يعني أن فئة واحدة تظهر بشكل متكرر أكثر بكثير من غيرها، أو عندما لا تكون تكلفة أنواع الأخطاء المختلفة متساوية.
كيف يمكنني تحسين نموذجي إذا كانت الدقة عالية ولكن الأداء ضعيف؟
يجب عليك الانتقال إلى مقاييس أكثر دقة مثل الدقة (Precision)، أو الاستدعاء (Recall)، أو درجة F1، وإجراء تحليل للأخطاء لتحديد الفئات أو السيناريوهات المحددة التي يفشل النموذج في التنبؤ بها بشكل صحيح.
هل الدقة هي نفسها الإحكام (Precision)؟
لا. تقيس الدقة نسبة إجمالي التنبؤات الصحيحة، بينما تقيس الإحكام نسبة التنبؤات الإيجابية التي كانت صحيحة بالفعل.