تقسيم المقاييس حسب الشريحة والفوج

قد يحقق نموذج دقة إجمالية تبلغ 95%، ومع ذلك يفشل بشدة مع إحدى المجموعات. فالمتوسط يخفي مواضع ضعف الأداء. 🕵️

الشريحة مجموعة فرعية من بياناتك تشترك في سمة معينة: منطقة أو نوع جهاز أو فئة عمرية أو فئة منتج.

تجمع الشريحة البيانات حسب قيمة ميزة، مثل البلد. أما الفوج فيجمعها حسب حدث مشترك في الزمن، مثل المستخدمين الذين سجلوا في مارس الماضي.

بدلًا من رقم دقة واحد، احسب المقياس لكل شريحة وقارن بينها. وتوصلك عملية pandas groupby إلى ذلك بسرعة.

عندما تحصل إحدى الشرائح على نتيجة أقل بكثير من البقية، تكون قد وجدت موضع ضعف كان المقياس العام يخفيه بصمت.

تعطي الشريحة التي تحتوي على عينات قليلة جدًا مقياسًا كثير الضوضاء. حدّد حدًا أدنى للحجم قبل أن تثق برقمها.

يكشفِتُ مقارنة الشرائح بين المجموعات الحساسة فجوات الإنصاف، مثل حصول إحدى الفئات الديموغرافية باستمرار على تنبؤات أسوأ.

قد يؤثر الانحراف في شريحة واحدة أولًا. ويساعد تتبع الانحراف لكل مقطع على اكتشاف تغير سلوك مستخدمي الأجهزة المحمولة قبل انتشاره في كل مكان.

لا يتوسع فحص الشرائح يدويًا. إذ تفحص أدوات العثور على الشرائح مجموعات فرعية كثيرة وتحدد أسوأ المؤدين نيابةً عنك.

توضح متابعة فوج على مدى أسابيع ما إذا كان أداء النموذج يتدهور مع المستخدمين الجدد عندما يختلف سلوكهم عن سلوك المستخدمين القدامى.

تشير الشريحة السيئة إلى حل: اجمع مزيدًا من البيانات، أو أضف ميزة، أو درّب نموذجًا خاصًا بالمقطع لتلك المجموعة.

قسّم المقاييس حسب الشريحة والفوج لاكتشاف مواضع الضعف الخفية وفجوات الإنصاف والانحراف المبكر الذي قد يخفيه المتوسط. ✅