الدقة

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:

• التشخيص الطبي: في الأنظمة المصممة للكشف عن الأمراض(الذكاء الاصطناعي في مجال الرعاية الصحية)، تعد الدقة العالية أمرًا حيويًا. يمكن أن يؤدي التشخيص الإيجابي الخاطئ (تشخيص مريض سليم بمرض ما) إلى ضغوط غير ضرورية وتكلفة وعلاجات ضارة محتملة. تسعى النماذج المستخدمة في مهام مثل الكشف عن الأورام في التصوير الطبي إلى الدقة العالية.
• كشف الاحتيال: في مجال التمويل(نماذج الرؤية الحاسوبية في التمويل)، يؤدي الإبلاغ عن معاملة مشروعة على أنها احتيالية (إيجابية كاذبة) إلى إزعاج العملاء ويمكن أن يضر بالثقة. الدقة العالية تقلل من هذه الحوادث.
• اكتشاف الأجسام: في مهام اكتشاف الأجسام باستخدام نماذج مثل Ultralytics YOLOوالدقة هي جزء من حساب متوسط متوسط الدقة (mAP) ، وهو معيار قياسي. وهي تضمن تصنيف الكائنات المكتشفة التي تم تحديدها داخل المربعات المحدودة بشكل صحيح. يعد تحقيق دقة عالية هدفًا رئيسيًا في تطوير نماذج كشف قوية مثل YOLO11وموازنتها مع السرعة والاستدعاءYOLO مقاييس أداءYOLO ).
• استرجاع المعلومات: تهدف محركات البحث إلى تحقيق دقة عالية لضمان أن تكون النتائج التي يتم إرجاعها ذات صلة باستعلام المستخدم(البحث الدلالي).

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.