قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
إيجابي حقيقي (TP)
نتيجة صحيحة حيث يتنبأ النموذج بشكل إيجابي بملاحظة هي في الواقع إيجابية، مما يشير إلى تصنيف ناجح للفئة المحددة. يعد عدد الإيجابيات الحقيقية أمراً حاسماً لتقييم قدرة النموذج على تحديد الحالات ذات الصلة بشكل صحيح.
إيجابي كاذب (FP)
خطأ في التصنيف حيث يتنبأ النموذج بشكل غير صحيح بملاحظة على أنها إيجابية بينما هي في الواقع سلبية، مما يتوافق مع إنذار كاذب. تعتبر الإيجابيات الكاذبة مكلفة بشكل خاص في مجالات مثل التشخيص الطبي أو كشف الاحتيال.
الدقة (Precision)
مقياس يتم حسابه كنسبة الإيجابيات الحقيقية على مجموع الإيجابيات الحقيقية والكاذبة، ويقيس نسبة التنبؤات الإيجابية الصحيحة بين جميع التنبؤات الإيجابية. تكون هذه المقياس مهم بشكل خاص عندما يكون تكلفة الإيجابيات الكاذبة مرتفعة.
الاستدعاء (Recall)
يُعرف أيضاً بالحساسية، يقيس نسبة الإيجابيات الحقيقية على مجموع الإيجابيات الحقيقية والسلبية الكاذبة، ويقيم قدرة النموذج على تحديد جميع الملاحظات الإيجابية الحقيقية. الاستدعاء أمر حاسم عندما يكون للسلبيات الكاذبة عواقب خطيرة.
منحنى ROC
رسم بياني يمثل معدل الإيجابيات الحقيقية كدالة لمعدل الإيجابيات الكاذبة لعتبات تصنيف مختلفة، ويوضح المقايضة بين الحساسية والخصوصية. المساحة تحت هذا المنحنى (AUC) تقيس الأداء العام للمصنف.
الانحدار اللوجستي
نموذج خطي معمم يستخدم دالة السينويد لتحويل التنبؤات المستمرة إلى احتمالية بين 0 و 1 في التصنيف الثنائي. يستخدم هذا النموذج القابل للتفسير غالباً كخط أساس لمشاكل التصنيف الثنائي.
عتبة القرار
قيمة محددة (عادة 0.5) تُستخدم لتحويل الاحتمالات المخرجة إلى تنبؤات ثنائية، وفوقها تُصنف الملاحظة على أنها إيجابية. يسمح تعديل هذه العتبة بتحسين المقايضة بين الدقة والاستدعاء.
عدم توازن الفئات
حالة تكون فيها فئة ممثلة بشكل كبير أكثر من الفئة الأخرى في مجموعة بيانات التدريب، مما قد يؤدي إلى تحيز النموذج نحو الفئة الأغلب. تتطلب هذه المشكلة تقنيات محددة مثل إعادة التوزيع أو ترجيح الفئات.
SMOTE
تقنية إعادة نمذجة مركبة تنشئ عينات جديدة من الطبقة الأقل تواتراً بالاستيفاء بين الحالات الموجودة، مما يوازن توزيع الطبقات بدون تكرار دقيق. SMOTE فعالة بشكل خاص لتحسين الأداء على مجموعات البيانات غير المتوازنة.
شجرة القرار الثنائية
خوارزمية تصنيف تستخدم هيكلاً هرمياً للقرارات الثنائية لتقسيم فضاء الخصائص إلى مناطق نقية، حيث تمثل كل ورقة فئة متوقعة. توفر أشجار القرار قابلية تفسير عالية لكنها عرضة للفرط في التدريب.
النوعية (أو الخصوصية)
مقياس يُحسب كنسبة السلبيات الحقيقية إلى مجموع السلبيات الحقيقية والإيجابيات الكاذبة، يقوم بتقييم قدرة النموذج على تحديد الملاحظات السلبية بشكل صحيح. النوعية تكمل الاستدعاء وتعتبر حاسمة في اختبارات الكشف.