مقاييس تقيم نماذج خوارزميات التعلم
Common Classification / Regression Model Evaluation Metrics
في مجال تعلم الألة و بعد الإنتهاء من عملية تدريب النموذج الخاص بنا فإنه يتوجب علينا حينها الإنتقال إلى الخطوة التالية و هي تقيم أداءه من أجل معرفة مقدار دقته أو مقارنته مع نموذج أخر من أجل إختيار الأفضل. سنتطرق في هذه المقالة لبعض أشهر طرق تقيم نماذج خوارزميات التعلم.
1- في حالة (Classification ) فإننا نعتمد على حساب (Confusion Matrix) كما في الصورة 1. (TP) يعني أن الصنف الذي نعرفه و الذي إستنتجته خوارزمية التعلم أثناء الإختبار متطابقان في الحالة الموجبة. مثلا نريد تصنيف مجموعة من الأشخاص ما إذا كانوا مصابين بمرض محدد (-) أم لا (+)، في هذه الحالة الشخص سليم و الخوارزمية إستنتجت أنه سليم. (FN) الشخص سليم و الخوارزمية إستنتجت أنه مريض. (FP) الشخص مريض و الخوارزمية إستنتجت أنه سليم. (TN) الشخص مريض و الخوارزمية إستنتجت أنه مريض. من أجل كل (Examples) التي لدينا في مجموعة الإختبار نقوم بحساب هؤولاء المعاملات الأربعة لنستعملهم في حساب مختلف أدوات القياس الموضحة في الصورة 2، ك (Accuracy) و غيرها. في الصورة 3، مثال بإستعمال (Scikit-Learn ) من أجل حساب هذه القياسات مباشرة. يمكنك الإطلاع عليها لمعرفة المزيد عن باقي التفاصيل.
في مجال تعلم الألة و بعد الإنتهاء من عملية تدريب النموذج الخاص بنا فإنه يتوجب علينا حينها الإنتقال إلى الخطوة التالية و هي تقيم أداءه من أجل معرفة مقدار دقته أو مقارنته مع نموذج أخر من أجل إختيار الأفضل. سنتطرق في هذه المقالة لبعض أشهر طرق تقيم نماذج خوارزميات التعلم.
1- في حالة (Classification ) فإننا نعتمد على حساب (Confusion Matrix) كما في الصورة 1. (TP) يعني أن الصنف الذي نعرفه و الذي إستنتجته خوارزمية التعلم أثناء الإختبار متطابقان في الحالة الموجبة. مثلا نريد تصنيف مجموعة من الأشخاص ما إذا كانوا مصابين بمرض محدد (-) أم لا (+)، في هذه الحالة الشخص سليم و الخوارزمية إستنتجت أنه سليم. (FN) الشخص سليم و الخوارزمية إستنتجت أنه مريض. (FP) الشخص مريض و الخوارزمية إستنتجت أنه سليم. (TN) الشخص مريض و الخوارزمية إستنتجت أنه مريض. من أجل كل (Examples) التي لدينا في مجموعة الإختبار نقوم بحساب هؤولاء المعاملات الأربعة لنستعملهم في حساب مختلف أدوات القياس الموضحة في الصورة 2، ك (Accuracy) و غيرها. في الصورة 3، مثال بإستعمال (Scikit-Learn ) من أجل حساب هذه القياسات مباشرة. يمكنك الإطلاع عليها لمعرفة المزيد عن باقي التفاصيل.
 |
| الصورة 1 |
 |
| الصورة 2 |
 |
| الصورة 3 |
2- في حالة (Regression ) الذي تكون فيها مخرجات نموذج خوارزمية التعلم عبارة عن أعداد حقيقة أو يمكن القول التنبؤ، كما في طرق التحليل الرياضياتي حينما يكون لدينا مجموعة من النقاط في المستوى (x, y) و نريد إستنتاج قيمة y لنقطة محصورة بين نقطتين من تلك النقاط. أكيد المهتمون بالرياضيات يعرفون الطرق الحسابية المختلفة للقيام بذلك لكن في مجال تعلم الألة الأمر مختلف فالخوارزمية بعد التدريب تكون قادرة على إستنتاج طريقة تغير منحنى هذه النقاط و تكون قادرة على إستنتاج قيم النقاط الجديدة لما نقدم لها فواصلها على المحور (X). قياسات الدقة و الفاعلية لنمودج من هذا الصنف موجودة في الصورتين 4 و 5 مع التوضيح و هي :
a- Mean absolute error.
b- Mean square error.
c- Mean absolute percentage error.
d- Mean percentage error.
 |
| الصورة 4 |
 |
| الصورة 5 |
أيضا يوجد كيف نقوم بحسابها مباشرة و بشكل بسيط على (Scikit-Learn ) أو (TensorFlow ) أو أي مكتبة أخرى.
#artificial_intelligence #machine_learning #deep_learning
#الذكاء_الإصطناعي #تعلم_الألة #التعلم_العميق
الكاتب : هشام فلواط - hichem felouat
تابعوا مقالاتي على الهاشتاج : #هشام_فلواط
Comments
Post a Comment