تعرّف على كيفية تقييم منحنيات ROC و AUC لأداء المصنف في الذكاء الاصطناعي/التشغيل الآلي، وتحسين أداء المصنف في مهام مثل اكتشاف الاحتيال والتشخيص الطبي.
في التعلّم الآلي، لا سيما في مهام التصنيف الثنائي، يُعد منحنى خصائص التشغيل المتلقي (ROC) أداة بيانية حيوية تُستخدم لتقييم أداء نموذج التصنيف عبر إعدادات عتبة مختلفة. وهو يوضّح القدرة التشخيصية لنظام تصنيف ثنائي مع تنوّع عتبة التمييز الخاصة به. يتم رسم منحنى ROC باستخدام المعدل الإيجابي الحقيقي (TPR) مقابل المعدل الإيجابي الخاطئ (FPR)، حيث يكون المعدل الإيجابي الحقيقي على المحور ص، والمعدل الإيجابي الخاطئ على المحور س. وهذا يجعلها أداة لا تقدر بثمن في فهم المفاضلة بين فوائد تحديد الحالات الإيجابية بشكل صحيح وتكاليف تصنيف الحالات السلبية على أنها إيجابية بشكل خاطئ.
يستند منحنى ROC على مقياسين رئيسيين: معدل الإيجابية الحقيقية (TPR) ومعدل الإيجابية الكاذبة (FPR).
من خلال رسم هذه المعدلات مقابل بعضها البعض عند إعدادات عتبات مختلفة، يُصوّر منحنى ROC طيف أداء المُصنّف. يُشير المنحنى الأقرب إلى الزاوية العلوية اليسرى إلى نموذج أفضل، مما يعني ارتفاع معدل الأداء الإجمالي وانخفاض معدل الأداء الإجمالي عبر عتبات مختلفة. قد يكون للمصنف المثالي نقطة في الزاوية العلوية اليسرى (1،1)، وهو ما يمثل 100٪ من معدل العائد الإجمالي و0٪ من معدل العائد الإجمالي.
المقياس الموجز الرئيسي المستمد من منحنى ROC هو المساحة تحت المنحنى (AUC). يوفر AUC قيمة قياسية واحدة تمثل الأداء الكلي للمصنف، بغض النظر عن العتبة المختارة. تمثل قيمة AUC 1 مصنفًا مثاليًا، بينما تشير قيمة AUC 0.5 إلى أن الأداء لا يتجاوز التخمين العشوائي. بشكل عام، كلما زادت قيمة AUC، كانت قدرة النموذج على التمييز بين الفئات الإيجابية والسلبية أفضل. يمكنك استكشاف المزيد عن AUC وأهميته في التعلّم الآلي على صفحة مسرد المصطلحات الخاصة بنا عن المساحة تحت المنحنى (AUC).
تُستخدم منحنيات ROC و AUC على نطاق واسع في العديد من تطبيقات الذكاء الاصطناعي والتعلم الآلي، خاصةً عندما يكون التوازن بين الإيجابيات الحقيقية والإيجابيات الخاطئة أمرًا بالغ الأهمية. إليك بعض الأمثلة:
بينما تُستخدم أيضًا مقاييس مثل الدقة والدقة والاستدعاء لتقييم المصنفات، إلا أن منحنى ROC يوفر رؤية أكثر دقة للأداء، خاصةً عند التعامل مع مجموعات البيانات غير المتوازنة. على عكس الدقة التي يمكن أن تكون مضللة في السيناريوهات غير المتوازنة، يركز منحنى ROC و AUC على المفاضلة بين الدقة والدقة والتذكر، مما يوفر فهمًا أكثر شمولاً للقوة التمييزية للنموذج عبر نقاط تشغيل مختلفة. للتعمق أكثر في تقييم النموذج، يمكنك استكشاف دليلنا على YOLO مقاييس الأداء.
للمزيد من القراءة حول منحنيات ROC، يمكن لمصادر مثل وثائق scikit-learn حول منحنيات ROC ومقالات على ويكيبيديا حول منحنيات ROC أن توفر خلفية تقنية ونظرية أكثر.
