اكتشف أهمية النتيجة F1 في التعلم الآلي! تعلّم كيف يوازن بين الدقة والاستدعاء من أجل التقييم الأمثل للنموذج.
F1-Score هو مقياس يُستخدم على نطاق واسع في التعلّم الآلي (ML) والتحليل الإحصائي لتقييم أداء نماذج التصنيف الثنائية أو متعددة الفئات. وهو يوفر طريقة للجمع بين دقة النموذج واستدعائه في مقياس واحد، مما يوفر تقييمًا أكثر قوة من الدقة وحدها، خاصةً عند التعامل مع مجموعات البيانات غير المتوازنة أو عندما تختلف التكاليف المرتبطة بالإيجابيات الخاطئة والسلبيات الخاطئة بشكل كبير.
قبل الغوص في نقاط F1-Score، من الضروري فهم مكوناتها:
يتم حساب هذه المقاييس باستخدام أعداد الإيجابيات الصحيحة (TP) والإيجابيات الخاطئة (FP) والسلبيات الخاطئة (FN) المستمدة من مصفوفة الارتباك.
قد تكون الدقة وحدها مضللة، خاصةً مع مجموعات البيانات غير المتوازنة. على سبيل المثال، إذا كانت مجموعة البيانات تحتوي على 95% من الحالات السلبية و5% من الحالات الإيجابية، فإن النموذج الذي يتنبأ دائمًا بالحالات السلبية سيحقق دقة بنسبة 95% ولكنه سيكون عديم الفائدة في تحديد الحالات الإيجابية (استدعاء صفر).
تعالج F1-Score هذا الأمر من خلال حساب المتوسط التوافقي للدقة والاسترجاع. يعاقب المتوسط التوافقي القيم المتطرفة أكثر من المتوسط الحسابي البسيط. وبالتالي، تتطلب النتيجة F1-Score العالية دقة عالية واستدعاءً عاليًا، مما يضمن التوازن بين الاثنين. وهو يتراوح من 0 (الأسوأ) إلى 1 (الأفضل).
F1-Score هو مقياس تقييم قياسي في العديد من مجالات الذكاء الاصطناعي والتعلم الآلي:
يعتمد اختيار المقياس الصحيح على المشكلة المحددة والأهمية النسبية لتقليل الإيجابيات الخاطئة مقابل السلبيات الخاطئة. تسمح أدوات مثل Ultralytics HUB بتتبع مقاييس متعددة، بما في ذلك F1-Score، أثناء تدريب النموذج وتقييمه لمساعدة المستخدمين على اتخاذ قرارات مستنيرة. استكشف دروسUltralytics التعليمية للحصول على إرشادات عملية حول تقييم النموذج.