قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
الدقة (Precision)
مقياس لتقييم نسبة التوقعات الإيجابية الصحيحة من بين جميع التوقعات الإيجابية التي يقوم بها النموذج. تقيس جودة التوقعات الإيجابية عن طريق تقليل الإيجابيات الكاذبة.
الاستدعاء (Recall)
مؤشر يقيس قدرة النموذج على التعرف بشكل صحيح على جميع الحالات الإيجابية الحقيقية في مجموعة البيانات. يحدد الاستدعاء شمولية التوقعات الإيجابية عن طريق تقليل السلبيات الكاذبة.
درجة F1
المتوسط التوافقي للدقة والاستدعاء، مما يوفر توازناً بين هذين المقياسين المتعارضين غالباً. تكون درجة F1 مفيدة بشكل خاص للفئات غير المتوازنة حيث تكون الدقة وحدها أو الاستدعاء وحده مضللاً.
درجة F-beta
تعميم لدرجة F1 يسمح بترجيح الدقة والاستدعاء بشكل مختلف وفقاً للمعامل beta. يتكيف هذا المقياس مع الاحتياجات المحددة للمجال من خلال تفضيل إما الدقة (beta<1) أو الاستدعاء (beta>1).
مصفوفة الارتباك
جدول طوارئ يلخص أداء نموذج التصنيف بمقارنة التوقعات مع القيم الحقيقية. تقسم النتائج إلى إيجابيات حقيقية، وإيجابيات كاذبة، وسلبيات حقيقية، وسلبيات كاذبة لتحليل مفصل.
إيجابي حقيقي (True Positive)
حالة مصنفة بشكل صحيح على أنها إيجابية بواسطة النموذج، تمثل توقعاً ناجحاً للفئة المستهدفة. تشكل الإيجابيات الحقيقية البسط في حساب الاستدعاء وتساهم في مقام الدقة.
إيجابي كاذب (False Positive)
حالة سلبية تم توقعها بشكل غير صحيح على أنها إيجابية بواسطة النموذج، تتوافق مع خطأ من النوع الأول. تؤثر الإيجابيات الكاذبة سلباً على الدقة ولكنها لا تؤثر مباشرة على استدعاء الفئة الإيجابية.
سلبي حقيقي (True Negative)
حالة تم تحديدها بشكل صحيح على أنها سلبية بواسطة النموذج، مما يظهر قدرته على رفض الحالات غير ذات الصلة. تعد السلبيات الحقيقية أساسية لتقييم خصوصية النموذج على الفئات الأغلبية.
سلبي كاذب (False Negative)
عينة إيجابية فاتها النموذج وتم تصنيفها بشكل غير صحيح على أنها سلبية، تمثل خطأ من النوع الثاني. السلبيات الكاذبة تقلل مباشرة من الاستدعاء وقد يكون لها عواقب حرجة حسب مجال التطبيق.
الدقة المتوسطة (Average Precision)
مقياس يلخص منحنى الدقة-الاستدعاء عن طريق حساب المتوسط المرجح للدقة عند كل عتبة استدعاء. وهي مناسبة بشكل خاص لتقييم أنظمة كشف الكائنات واسترجاع المعلومات.
درجة AUC-PR
المساحة تحت منحنى الدقة-الاستدعاء، تقيس الأداء الكلي للنموذج بغض النظر عن عتبة التصنيف. على عكس AUC-ROC، فإن AUC-PR أكثر حساسية للأداء على الفئات الأقلية.
الحساسية (Sensitivity)
مرادف للاستدعاء، يقيس نسبة الحالات الإيجابية الحقيقية التي تم تحديدها بشكل صحيح بواسطة النموذج. الحساسية حاسمة في التطبيقات الطبية حيث يكون اكتشاف الحالات الإيجابية أولوية.
النوعية (Specificity)
قدرة النموذج على تحديد العينات السلبية بشكل صحيح، محسوبة كنسبة السلبيات الحقيقية إلى إجمالي السلبيات الحقيقية. تكمل النوعية الاستدعاء لتقييم الأداء على جميع الفئات.
الدقة المتوازنة (Balanced Accuracy)
المتوسط الحسابي للحساسية والنوعية، مصححًا للتحيز في مجموعات البيانات غير المتوازنة. يعامل هذا المقياس الأداء على الفئات الأغلبية والأقلية بشكل عادل.
منحنى الدقة-الاستدعاء
رسم بياني ثنائي الأبعاد يرسم الدقة مقابل الاستدعاء لعتبات تصنيف مختلفة. يسمح هذا التصور بتحليل المقايضة بين الدقة والاستدعاء واختيار العتبة المثلى.
درجة جاكارد (Jaccard Score)
مقياس يقيس التشابه بين مجموعتين كنسبة تقاطعهم إلى اتحادهم. في التصنيف، تقيم درجة جاكارد التوافق بين مجموعات العينات المتوقعة إيجابية والإيجابية فعليًا.
الدقة في أعلى K
مقياس لتقييم نسبة التوقعات الصحيحة بين أكثر توقعات النموذج ثقةً. وهي ذات أهمية خاصة في أنظمة التوصية حيث يتم عرض أفضل الاقتراحات فقط للمستخدم.
الاستدعاء في أعلى K
امتداد للاستدعاء التقليدي مقصور على أكثر توقعات النموذج احتماليةً. يقيس هذا المقياس قدرة النظام على تغطية الحالات ذات الصلة مع الأخذ في الاعتبار مجموعة فرعية فقط من إجمالي التوقعات.