التحقق التبادلي

كيفية عمل التحقق التبادلي

الطريقة الأكثر استخدامًا هي التحقق التبادلي K-Falidation K-Falidation. تتضمن العملية الخطوات التالية:

1. خلط وتقسيم: يتم خلط مجموعة البيانات بأكملها عشوائيًا وتقسيمها إلى طيّات (مجموعات فرعية) متساوية الحجم "K".
2. التدريب والتحقق التكراري: يتم تدريب النموذج K مرات. في كل تكرار 'i' (من 1 إلى K):
   • يستخدم النموذج طيات K-1 كبيانات تدريب.
   • يتم استخدام الطية المفردة المتبقية (الطية 'i') كبيانات تحقق لتقييم أداء النموذج (على سبيل المثال، حساب الدقة أو درجة F1).
3. تجميع الأداء: يتم حساب متوسط مقياس الأداء المسجل في كل تكرار من التكرارات K لإنتاج تقدير واحد أكثر قوة لقدرة النموذج على التعميم.

تُقدّم العديد من مكتبات تعلّم الآلة الشائعة، مثل Scikit-learn، تطبيقات فعّالة لاستراتيجيات التحقق المتقاطع المختلفة، بما في ذلك K-Fold الطبقي (ضروري لمجموعات البيانات غير المتوازنة) والسيرة الذاتية للإجازة الواحدة.

لماذا استخدام التحقق التبادلي؟

يُعد التحقق المتبادل حجر الزاوية في تقييم النماذج الموثوقة لعدة أسباب رئيسية:

• تقديرات أداء أكثر موثوقية: من خلال حساب متوسط النتائج على مجموعات تحقق متعددة، تقلل السيرة الذاتية من التباين المرتبط بتقسيم التدريب/الاختبار الواحد، مما يعطي مقياسًا أكثر استقرارًا لكيفية أداء النموذج عمليًا. وهذا يعزز قابلية التكرار في البحث.
• استخدام البيانات بكفاءة: تستفيد بشكل أفضل من مجموعات البيانات المحدودة، حيث تعمل كل نقطة بيانات كبيانات تدريب وتحقق من صحة البيانات عبر الطيات المختلفة. وهذا مفيد بشكل خاص عندما يكون جمع البيانات مكلفًا أو صعبًا.
• الكشف عن الإفراط/التقصير في الملاءمة: يساعد في تحديد النماذج المعقدة بشكل مفرط (الإفراط في الملاءمة) أو البسيطة للغاية(عدم الملاءمة) من خلال الكشف عن التناقضات بين أداء التدريب ومتوسط أداء التحقق من الصحة.
• ضبط قوي للمعاملات الفائقة: توفر السيرة الذاتية أساسًا أكثر موثوقية لاختيار المعلمات الفائقة المثلى. يمكن تقييم مجموعات مختلفة من المعلمات الفائقة بناءً على متوسط أدائها الذي تم التحقق من صحته بشكل متقاطع، مما يؤدي إلى نماذج ذات تعميم أفضل. تقدم Ultralytics أدوات لضبط المعلمات الفائقة التي يمكن أن تتضمن مبادئ السيرة الذاتية.

التحقق التبادلي مقابل التقسيم البسيط للتدريب/التحقق البسيط

يقسم التقسيم البسيط للتدريب/التحقق من الصحة البيانات مرة واحدة: جزء للتدريب، وجزء للتحقق من الصحة. على الرغم من سهولة تنفيذه، إلا أن عيبه الرئيسي هو أن تقييم الأداء يعتمد بشكل كبير على نقاط البيانات المحددة التي تصادف أن تقع في مجموعة التحقق من الصحة. يمكن أن تؤدي مجموعة التحقق "السهلة" أو "الصعبة" بشكل خاص إلى تقديرات أداء مفرطة في التفاؤل أو التشاؤم.

تتغلب عملية التحقق المتقاطع على هذا الأمر من خلال استخدام مجموعات فرعية مختلفة للتحقق من الصحة بشكل منهجي، مما يضمن مساهمة كل نقطة بيانات في عملية التقييم مرة واحدة فقط. ينتج عن ذلك تقييم أكثر استقرارًا وجدارة بالثقة لقوة النموذج. من المهم ملاحظة أن مجموعة بيانات الاختبار النهائية، التي لم تتم مشاهدتها أثناء التدريب والضبط القائم على السيرة الذاتية، يجب أن تظل محجوزة للتقييم النهائي للنموذج المختار. يوفر Ultralytics إرشادات مفصلة حول تنفيذ التحقق المتقاطع K-Fold Cross Validation مع Ultralytics YOLO.

التطبيقات الواقعية

لا غنى عن التحقق المتبادل في بناء أنظمة ذكاء اصطناعي يمكن الاعتماد عليها في مختلف المجالات:

1. تحليل الصور الطبية: عند تطوير الشبكة العصبية التلافيفية (CNN) لتحليل الصور الطبية، مثل الكشف عن الأورام في فحوصات الدماغ باستخدام مجموعات بيانات مثل مجموعة بيانات أورام الدماغ، تُستخدم السيرة الذاتية لتقييم دقة تشخيص النموذج وتعميمه بدقة عبر بيانات المرضى المتنوعة قبل التفكير في إجراء تجارب سريرية أو السعي للحصول على موافقة الجهات التنظيمية (على سبيل المثال، من إدارة الغذاء والدواء الأمريكية).
2. المركبات ذاتية القيادة: لنماذج اكتشاف الأجسام مثل Ultralytics YOLO المستخدمة في المركبات ذاتية القيادة، تساعد السيرة الذاتية في ضمان الأداء الموثوق به في اكتشاف المشاة وراكبي الدراجات والمركبات الأخرى عبر مختلف الظروف البيئية (الإضاءة والطقس وأنواع الطرق) التي غالبًا ما توجد في مجموعات البيانات المعقدة مثل Argoverse. يعد هذا التقييم القوي، الذي غالباً ما يتم قياسه بمقاييس مثل متوسط الدقة (mAP)، أمراً بالغ الأهمية قبل نشر النموذج في الأنظمة ذات الأهمية الحرجة للسلامة مثل تلك الموجودة في حلول الذكاء الاصطناعي في السيارات.

وتشمل التطبيقات الأخرى تقييم نماذج تجزئة الصور، ومهام معالجة اللغة الطبيعية (NLP) مثل تحليل المشاعر، وتقييم المخاطر في النمذجة المالية. وغالباً ما تدمج منصات مثل Ultralytics HUB تقنيات التقييم هذه أو تسهلها لتبسيط دورة حياة التطوير.