قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
إيجابي حقيقي (True Positive)
حالة يتنبأ فيها النموذج بشكل صحيح بالفئة الإيجابية، مما يتوافق مع الملاحظات التي تم تحديدها بشكل صحيح على أنها تنتمي إلى الفئة المستهدفة.
سلبي حقيقي (True Negative)
حالة يتنبأ فيها النموذج بشكل صحيح بالفئة السلبية، ممثلة للملاحظات التي تم استبعادها بشكل صحيح من الفئة المستهدفة.
إيجابي خاطئ (False Positive)
خطأ من النوع الأول حيث يتنبأ النموذج بشكل غير صحيح بالفئة الإيجابية، مما يتوافق مع الإنذارات الكاذبة أو الملاحظات المصنفة بشكل غير صحيح على أنها إيجابية.
سلبي خاطئ (False Negative)
خطأ من النوع الثاني حيث يتنبأ النموذج بشكل غير صحيح بالفئة السلبية، ممثلة لعدم اكتشاف ملاحظات إيجابية حقيقية.
الاستدعاء (Recall/Sensitivity)
قدرة النموذج على اكتشاف جميع الملاحظات الإيجابية، مقاسة بنسبة TP/(TP+FN) للإشارة إلى معدل اكتشاف الفئة المستهدفة.
معدل الخطأ (Error Rate)
نسبة الملاحظات المصنفة بشكل غير صحيح بواسطة النموذج، محسوبة كـ (FP+FN)/(الإجمالي) ممثلة لأداء الخطأ العام.
الدقة (Accuracy)
النسبة الإجمالية للتنبؤات الصحيحة، محسوبة كـ (TP+TN)/(الإجمالي)، لقياس الأداء العام للمصنف.
الدقة المتوازنة (Balanced Accuracy)
متوسط الاستدعاء لكل فئة، مما يوفر مقياساً مناسباً لمجموعات البيانات غير المتوازنة من خلال إعطاء وزن متساوٍ لجميع الفئات.
معامل ارتباط ماثيوز (MCC)
معامل الارتباط بين الملاحظات والتنبؤات الثنائية، يُعتبر مقياسًا قويًا حتى في حالة الفئات غير المتوازنة.
منحنى الدقة-الاستدعاء
رسم بياني يرسم الدقة مقابل الاستدعاء لعتبات مختلفة، مفيد بشكل خاص لتقييم الأداء على مجموعات البيانات غير المتوازنة.