الدقة والاسترجاع

تُعدّ الدقة والاسترجاع البوصلتين اللتين نحكم بهما على نموذج التصنيف: الدقة تسأل «من بين كل إنذاراتي، كم كان مُبرَّرًا؟»، بينما يسأل الاسترجاع «من بين كل الحالات الحقيقية، كم استطعتُ أن ألتقط؟». الأولى تقيس النقاء، والثانية تقيس الشمولية.

إحصاء الأخطاء

يقوم كل شيء على أربع خانات: الإيجابيات الصحيحة (TP)، والإيجابيات الخاطئة (FP)، والسلبيات الصحيحة (TN)، والسلبيات الخاطئة (FN).

$$\text{Precision} = \frac{TP}{TP + FP} \qquad \text{Recall} = \frac{TP}{TP + FN}$$

تنخفض الدقة عندما يصرخ النموذج «إيجابي» أكثر من اللازم (FP كثيرة). وينخفض الاسترجاع عندما يترك حالات حقيقية تفلت منه (FN كثيرة).

مفاضلة دائمة

نادرًا ما يمكن تعظيم كليهما معًا. فخفض عتبة القرار يلتقط حالات أكثر (الاسترجاع ) لكنه يضاعف الإنذارات الكاذبة (الدقة )، والعكس صحيح.

المفاضلة في رقم واحد: F1

لاختصار الاثنين في رقم واحد، نستعمل المتوسط التوافقي، أي مقياس F1:

$$F_1 = 2 \cdot \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

يعاقب المتوسط التوافقي عدم التوازن: فنموذج بدقة 99% واسترجاع 2% يحصل على F1 ضعيف.

الدقة الإجمالية العالية لا تقول شيئًا: فمع البيانات غير المتوازنة، يكون ثنائي الدقة–الاسترجاع هو الذي يكشف ما يلتقطه النموذج فعلًا، وما يضحّي به.