مصطلحًا
درجة F1 (F1 Score)
- الفئة
- Evaluation, Safety & Governance
- الصعوبة
- متوسط
التعريف
درجة F1 هي المتوسط التوافقي للدقة والاستدعاء، مما يوفر مقياساً واحداً يوازن المقايضة بين الإيجابيات الكاذبة والسلبيات الكاذبة في نماذج التصنيف.
آلية العمل والسياق
في تعلم الآلة، يمكن أن يكون تقييم النموذج بناءً على الدقة وحدها مضللاً، خاصة عندما تكون الفئات غير متوازنة. تعالج درجة F1 هذا الأمر عن طريق حساب المتوسط التوافقي للدقة (دقة التنبؤات الإيجابية) والاستدعاء (القدرة على العثور على جميع الحالات الإيجابية). ولأنها تستخدم المتوسط التوافقي بدلاً من المتوسط الحسابي البسيط، فإن درجة F1 تعاقب القيم المتطرفة؛ يجب أن يؤدي النموذج أداءً جيداً في كل من الدقة والاستدعاء لتحقيق درجة عالية. وهذا يجعلها مؤشراً قوياً للأداء في السيناريوهات التي تكون فيها تكلفة الإيجابيات الكاذبة والسلبيات الكاذبة كبيرة، مثل التشخيص الطبي أو كشف الاحتيال. وعلى الرغم من فعاليتها العالية، إلا أنها تفترض أهمية متساوية للدقة والاستدعاء، وهو ما قد لا يتوافق دائماً مع متطلبات عمل أو سلامة محددة.
لماذا هو مهم
في تطبيقات العالم الحقيقي، قد يحقق النموذج دقة عالية بمجرد التنبؤ بالفئة الأغلبية، لكن درجة F1 تكشف هذا الفشل.
مثال واقعي
ضع في اعتبارك نظام ذكاء اصطناعي مصمماً لاكتشاف معاملات بطاقات الائتمان الاحتيالية النادرة. إذا كانت 99% من المعاملات مشروعة، يمكن للنموذج تحقيق دقة 99% من خلال التنبؤ بـ 'ليس احتيالاً' لكل شيء. ومع ذلك، سيكون لهذا النموذج استدعاء صفري للاحتيال. باستخدام درجة F1، يمكن للمطورين رؤية أن النموذج يفشل في اكتشاف الاحتيال، مما يجبرهم على تحسين قدرة النموذج على تحديد فئة الأقلية بفعالية.
أخطاء شائعة
- افتراض أن درجة F1 هي دائماً أفضل مقياس، مع تجاهل أنها تعامل الدقة والاستدعاء كأهمية متساوية.
- استخدام درجة F1 لتصنيف متعدد الفئات دون تحديد ما إذا كان سيتم استخدام المتوسط الجزئي أو الكلي أو المرجح.
- الخلط بين درجة F1 والدقة البسيطة، التي تفشل في مراعاة اختلالات توزيع الفئات.
- الفشل في النظر في تحليل التكلفة والعائد للإيجابيات الكاذبة مقابل السلبيات الكاذبة، مما قد يتطلب مقياساً مختلفاً مثل درجة F-beta.
الأسئلة الشائعة
كيف تختلف درجة F1 عن الدقة (Accuracy)؟
تقيس الدقة النسبة المئوية الإجمالية للتنبؤات الصحيحة، والتي يمكن أن تكون خادعة إذا كانت إحدى الفئات تفوق الأخرى بشكل كبير. تركز درجة F1 على التوازن بين الدقة والاستدعاء، مما يوفر رؤية أكثر دقة لكيفية تعامل النموذج مع الفئة الإيجابية.
متى يجب أن أستخدم درجة F-beta بدلاً من درجة F1؟
استخدم درجة F-beta عندما تحتاج إلى موازنة الدقة والاستدعاء بشكل مختلف. إذا كان الاستدعاء أكثر أهمية من الدقة، فستستخدم قيمة بيتا أكبر من 1؛ إذا كانت الدقة أكثر أهمية، فستستخدم قيمة بيتا أقل من 1.
هل يمكن استخدام درجة F1 لنماذج الانحدار؟
لا، درجة F1 مصممة خصيصاً لمهام التصنيف. يتم تقييم نماذج الانحدار عادةً باستخدام مقاييس مثل متوسط مربع الخطأ (MSE) أو R-squared.