تقييم أداء النموذج
الدقة ودرجة F1 ومقاييس الخطأ
تقييم أداء النموذج درس مجاني في Python For Kids على CoddyKit. هذا هو الدرس 5 من أصل 5. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Python For Kids، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Python For Kids 5 دروس في المجموع.
مقاييس تقييم النموذج
تقييم أداء النموذج
يُعد تقييم أداء نموذج التعلم الآلي أمرًا بالغ الأهمية لضمان فعاليته. ونستخدم مقاييس مثل الدقة، والإحكام، والاستدعاء، ودرجة F1 في مشكلات التصنيف.
الدقة
تقيس الدقة نسبة الحالات التي جرى التنبؤ بها بشكل صحيح إلى إجمالي عدد الحالات:
Accuracy = (True Positives + True Negatives) / Total Instances
على الرغم من فائدتها، قد لا تكون الدقة وحدها كافية لمجموعات البيانات غير المتوازنة.
الإحكام
يركز الإحكام على صحة التنبؤات الإيجابية:
Precision = True Positives / (True Positives + False Positives)
يعني الإحكام المرتفع عددًا أقل من الإيجابيات الكاذبة.
الاستدعاء
يقيس الاستدعاء قدرة النموذج على تحديد جميع الحالات الإيجابية بشكل صحيح:
Recall = True Positives / (True Positives + False Negatives)
يعني الاستدعاء المرتفع عددًا أقل من السلبيات الكاذبة.
درجة F1
درجة F1 هي المتوسط التوافقي للإحكام والاستدعاء:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
وهي توازن بين الإحكام والاستدعاء، وتفيد خصوصًا مع مجموعات البيانات غير المتوازنة.
استخدام scikit-learn للمقاييس
توفر scikit-learn دوال لحساب هذه المقاييس:
from sklearn.metrics import precision_score, recall_score, f1_score
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
print(f"Precision: {precision:.2f}")
print(f"Recall: {recall:.2f}")
print(f"F1 Score: {f1:.2f}")مصفوفة الالتباس
توفر مصفوفة الالتباس عرضًا تفصيليًا لأداء النموذج:
- الإيجابيات الحقيقية (TP): تنبؤات إيجابية صحيحة.
- الإيجابيات الكاذبة (FP): تنبؤات إيجابية غير صحيحة.
- السلبيات الحقيقية (TN): تنبؤات سلبية صحيحة.
- السلبيات الكاذبة (FN): تنبؤات سلبية غير صحيحة.
اختيار المقياس المناسب
يعتمد اختيار المقياس على المشكلة:
- الدقة: تعمل جيدًا مع مجموعات البيانات المتوازنة.
- الإحكام: مهم عندما تكون الإيجابيات الكاذبة مكلفة.
- الاستدعاء: بالغ الأهمية عندما تكون السلبيات الكاذبة مكلفة.
- درجة F1: مقياس متوازن لمجموعات البيانات غير المتوازنة.
الملخص والخطوات التالية
تناولنا في هذا الدرس ما يلي:
- مقاييس تقييم أداء النموذج: الدقة، والإحكام، والاستدعاء، ودرجة F1.
- كيفية حساب هذه المقاييس باستخدام scikit-learn.
- كيفية تفسير مصفوفة الالتباس.
سنستكشف بعد ذلك أساليب التعلم غير الخاضع للإشراف مثل التجميع.
الأسئلة الشائعة
هل درس «تقييم أداء النموذج» مجاني؟
نعم — نص درس «تقييم أداء النموذج» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Python For Kids، انتقل إلى CoddyKit PRO. تتضمن دورة Python For Kids 5 دروس في المجموع.
ماذا ستتعلم في «تقييم أداء النموذج»؟
الدقة ودرجة F1 ومقاييس الخطأ تتمرن على Python For Kids مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ Python For Kids؟
لا تُشترط خبرة سابقة. Python For Kids على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 5 من أصل 5.
كم من الوقت يستغرق درس «تقييم أداء النموذج»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس Python For Kids هذا؟
نعم. كل درس في Python For Kids يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- مفهوم الانحدار الخطي
- تطبيق الانحدار الخطي في Python
- مفهوم الانحدار اللوجستي
- تطبيق الانحدار اللوجستي
- تقييم أداء النموذج