الدقة والتذكير
الدقة والتذكر هما مقياسان متكاملان لتقييم المصنفات، خاصة عندما تكون الفئات غير متوازنة.
نظرة عامة
معا يكشفون ما تخفيه الدقة البسيطة — كم مرة تكون توقعات النموذج الإيجابية صحيحة، وكم عدد الإيجابيات الحقيقية التي يلتقطها فعليا.
الغوص العميق
عندما يشير النموذج إلى العناصر على أنها إيجابية، هناك سؤالان مهمان. الدقة تتساءل: من بين كل ما وضعنا علامة عليه، ما هو الجانب الإيجابي حقًا؟ وهو يساوي الإيجابيات الحقيقية مقسومة على جميع الإيجابيات المتوقعة، مما يعاقب الإنذارات الكاذبة. الاستدعاء (الحساسية) يسأل: من بين كل الإيجابيات الحقيقية الموجودة هناك، كم عدد الإيجابيات التي حصلنا عليها؟ وهو يساوي الإيجابيات الحقيقية مقسومة على جميع الإيجابيات الفعلية، مع معاقبة الأخطاء. وعادةً ما تتم المقايضة بين هذه الأمور: يؤدي خفض عتبة القرار إلى الحصول على المزيد من الإيجابيات (استدعاء أعلى) ولكنه يشير إلى المزيد من الرسائل غير المرغوب فيها (دقة أقل)، والعكس صحيح. يعتمد تحديد الأولويات على التكاليف - يفضل مرشح البريد العشوائي الدقة (لا تقم بإلقاء البريد الحقيقي في سلة المهملات)، بينما يفضل فحص السرطان التذكير (لا تفوت أي ورم). درجة F1، ومتوسطها التوافقي، يوازن كليهما في رقم واحد.
البصيرة الفنية
يأتي كلا المقياسين من الإيجابيات الحقيقية (TP) والإيجابيات الكاذبة (FP) والسلبيات الكاذبة (FN) لمصفوفة الارتباك: الدقة = TP / (TP + FP)، الاستدعاء = TP / (TP + FN). والجدير بالذكر أن أيًا منهما لا يستخدم السلبيات الحقيقية، ولهذا السبب يظلون غنيين بالمعلومات عندما يفوق عدد السلبيات عدد الإيجابيات بشكل كبير. إن تجاوز عتبة التصنيف يتتبع منحنى الاسترجاع الدقيق؛ المنطقة الواقعة تحتها (متوسطة الدقة) تلخص الأداء وتفضل على ROC-AUC في البيانات غير المتوازنة للغاية.
التأثير الاستراتيجي
قرارات أوضح
يساعدك على فصل المطالبات الفنية الواضحة عن لغة التسويق.
التكلفة والميزانية
يمكنك طرح أسئلة تنفيذ أفضل قبل إنفاق المال أو الوقت.
الفريق وسير العمل
تتخذ الفرق ذات الفهم المشترك قرارات أفضل بشأن المنتجات والسياسات والتعلم.
مستقبل الدقة والاستدعاء
مع دخول الذكاء الاصطناعي إلى المجالات عالية المخاطر - التشخيص الطبي، والإشراف على المحتوى، والاحتيال - أبلغت الفرق بشكل متزايد عن الدقة والتذكر (ومنحنياتها) بدلاً من الدقة وحدها، وضبط الحدود لتتناسب مع تكاليف العالم الحقيقي وقيود العدالة. أصبحت عمليات تدقيق الدقة/الاستدعاء لكل مجموعة معيارًا لاكتشاف معدلات الخطأ المتباينة عبر التركيبة السكانية. توقع مقاييس أكثر ثراءً وحساسة للتكلفة، واحتمالات معايرة، وأدوات تتيح لأصحاب المصلحة اختيار نقاط التشغيل بشكل تفاعلي بدلاً من قبول حد افتراضي قدره 0.5.
التنفيذ في العالم الحقيقي
يتم ضبط مرشحات البريد العشوائي للحصول على دقة عالية بحيث لا يتم إرسال رسائل البريد الإلكتروني المشروعة تقريبًا بشكل خاطئ إلى مجلد البريد العشوائي.
تعطي اختبارات الفحص الطبي الأولوية للاستدعاء العالي لتجنب فقدان المرضى الذين يعانون بالفعل من المرض، وقبول المزيد من النتائج الإيجابية الكاذبة للمتابعة.
تقوم أنظمة البحث والتوصية بالإبلاغ عن الدقة@k (كم عدد نتائج k الأعلى ذات الصلة) لقياس جودة التصنيف.
يوازن اكتشاف الاحتيال بين الدقة والاسترداد من خلال درجة F1، نظرًا لأن الإنذارات الكاذبة والاحتيال المفقود أمر مكلف.
المخاطر والدرابزين
قد تستخدم الفرق المختلفة نفس المصطلح بشكل مختلف، لذا حدد النطاق مبكرًا.
يمكن أن تبدو المعايير قوية بينما يكون الأداء في العالم الحقيقي غير متساوٍ.
غالبًا ما يؤدي تجاهل جودة البيانات وخطط التقييم إلى نتائج هشة.
خارطة طريق التنفيذ
ابدأ بتعريف لغة واضحة للنتيجة التي تحتاجها.
اختر مقياس نجاح واحد وحالة فشل واحدة قبل الاختبار.
قم بتشغيل برنامج تجريبي صغير يحتوي على بيانات تمثيلية، وليس مجموعة تجريبية مصقولة.
قم بالتوثيق حيثما تساعد الدقة والاستدعاء، وأين تكون الطرق الأبسط أفضل.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Precision and Recall quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
Tempus AI في الطب الدقيق
الأسئلة المتداولة
ما هو الدقة والاستدعاء؟
الدقة والتذكر هما مقياسان متكاملان لتقييم المصنفات، خاصة عندما تكون الفئات غير متوازنة. ويكشفان معًا ما تخفيه الدقة الواضحة، أي عدد المرات التي تكون فيها التنبؤات الإيجابية للنموذج صحيحة، وعدد الإيجابيات الحقيقية التي يلتقطها بالفعل.
ما هو القادم ل Precision and Recall؟
مع دخول الذكاء الاصطناعي إلى المجالات عالية المخاطر - التشخيص الطبي، والإشراف على المحتوى، والاحتيال - أبلغت الفرق بشكل متزايد عن الدقة والتذكر (ومنحنياتها) بدلاً من الدقة وحدها، وضبط الحدود لتتناسب مع تكاليف العالم الحقيقي وقيود العدالة. أصبحت عمليات تدقيق الدقة/الاستدعاء لكل مجموعة معيارًا لاكتشاف معدلات الخطأ المتباينة عبر التركيبة السكانية. توقع مقاييس أكثر ثراءً وحساسة للتكلفة، واحتمالات معايرة، وأدوات تتيح لأصحاب المصلحة اختيار نقاط التشغيل بشكل تفاعلي بدلاً من قبول حد افتراضي قدره 0.5.
الدقة تجيب على أي سؤال؟
الدقة = TP / (TP + FP) تقيس صحة التنبؤات الإيجابية للنموذج - مدى موثوقية العلم الإيجابي.
لماذا يتم تفضيل الدقة والاسترجاع على الدقة البسيطة لمجموعات البيانات غير المتوازنة للغاية؟
نظرًا لأن أيًا من المقياسين لا يستخدم السلبيات الحقيقية، فلا يتم تضخيمها بفئة سلبية كبيرة يسهل التنبؤ بها بنفس الطريقة التي تكون بها الدقة.