مسرد المصطلحات

الدقة

اكتشف أهمية الدقة في الذكاء الاصطناعي، وهي مقياس رئيسي يضمن تنبؤات إيجابية موثوقة للتطبيقات القوية في العالم الحقيقي.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

الدقة هي مقياس تقييم أساسي في التعلّم الآلي (ML) والتصنيف الإحصائي، وهي مهمة بشكل خاص في مجالات مثل الرؤية الحاسوبية (CV). وهو يقيس نسبة التنبؤات الإيجابية الحقيقية بين جميع الحالات التي تم التنبؤ بها على أنها إيجابية. بعبارات أبسط، عندما يتنبأ نموذج ما بانتماء شيء ما إلى فئة معينة (على سبيل المثال، تحديد كائن ما على أنه "سيارة")، تخبرنا الدقة كم مرة يكون هذا التنبؤ صحيحًا بالفعل. إنها تجيب على السؤال: "من بين جميع التنبؤات التي تم إجراؤها للفئة الإيجابية، كم عدد التنبؤات التي كانت إيجابية بالفعل؟

فهم الدقة

تركز الدقة على وجه التحديد على التنبؤات الإيجابية التي يقوم بها النموذج. يتم حسابها بقسمة عدد النتائج الإيجابية الحقيقية (الحالات الإيجابية التي تم تحديدها بشكل صحيح) على مجموع النتائج الإيجابية الحقيقية والنتائج الإيجابية الخاطئة (الحالات التي تم تحديدها بشكل خاطئ على أنها إيجابية). تشير درجة الدقة العالية إلى أن النموذج يرتكب عددًا قليلًا جدًا من الأخطاء الإيجابية الخاطئة، مما يعني أنه عندما يتنبأ بنتيجة إيجابية، فمن المرجح أن تكون صحيحة. هذا المقياس مهم للغاية في التطبيقات التي تكون فيها تكلفة النتيجة الإيجابية الخاطئة عالية. على سبيل المثال، في الكشف عن البريد الإلكتروني غير المرغوب فيه، تضمن الدقة العالية أن رسائل البريد الإلكتروني المهمة أقل عرضة للتصنيف عن طريق الخطأ على أنها رسائل غير مرغوب فيها.

الدقة مقابل التذكر والدقة

غالبًا ما تتم مناقشة الدقة جنبًا إلى جنب مع الاستدعاء (المعروف أيضًا باسم الحساسية). في حين تقيس الدقة دقة التنبؤات الإيجابية، يقيس الاستدعاء قدرة النموذج على تحديد جميع الحالات الإيجابية الفعلية (الإيجابيات الحقيقية / (الإيجابيات الحقيقية + السلبيات الكاذبة)). غالبًا ما تكون هناك مفاضلة بين الدقة والاستدعاء؛ حيث قد يؤدي تحسين أحدهما إلى تقليل الآخر. يمكن تصور هذه العلاقة باستخدام منحنى الدقة والاستدعاء.

من المهم أيضًا التمييز بين الدقة والدقة. حيث تقيس الدقة صحة النموذج بشكل عام عبر جميع الفئات (الإيجابية والسلبية على حد سواء)، بينما تركز الدقة فقط على صحة التنبؤات الإيجابية. في مجموعات البيانات التي تحتوي على فئات غير متوازنة، يمكن أن تكون الدقة مضللة، بينما توفر الدقة رؤية أكثر تحديدًا للأداء المتعلق بالفئة الإيجابية. يوفر F1-Score توازناً بين الدقة والاستدعاء.

تطبيقات في الذكاء الاصطناعي والتعلم الآلي

تُعد الدقة مقياسًا مهمًا في تطبيقات الذكاء الاصطناعي المختلفة:

يسمح فهم الدقة وتحسينها للمطوّرين بتكييف أداء النماذج مع احتياجات محددة، خاصةً عندما يكون تقليل النتائج الإيجابية الخاطئة أمرًا بالغ الأهمية. تساعد أدوات مثل Ultralytics HUB المستخدمين على تدريب النماذج وتقييمها، وتتبع مقاييس مثل الدقة أثناء دورة التطوير.

قراءة الكل