طريقة بسيطة لحساب accuracy ملف excel

لحساب الدقة (accuracy) لملف Excel الذي يحتوي على ميزة واحدة وعلامات (labels) تتألف من 0 و 1، يمكنك استخدام الصيغة التالية: 

accuracy = (عدد النتائج الصحيحة) / (مجموع العينات)

حيث "عدد النتائج الصحيحة" يعني عدد العينات التي تم تصنيفها بشكل صحيح، أي العينات التي تم توقعها بشكل صحيح بالنسبة للعلامات الحقيقية، و"مجموع العينات" هو عدد جميع العينات في الملف.

لتطبيق هذه الصيغة، يمكنك استخدام Excel لإيجاد عدد العينات التي تم تصنيفها بشكل صحيح وعدد جميع العينات، ثم قم بتقسيم عدد العينات التي تم تصنيفها بشكل صحيح على مجموع العينات.

على سبيل المثال، إذا كان لديك ملف Excel يحتوي على 100 عينة وتم تصنيف 90 منها بشكل صحيح، فسيكون الدقة هي 90 / 100 = 0.9 أو 90٪.

الطريقة الأكثر شيوعًا لحساب دقة النموذج في حالة وجود Feature و Labels بها 0 أو 1 هي استخدام مقياس الدقة البسيط (Simple accuracy) الذي تم شرحه في الإجابة الأولى على سؤالك. هذا المقياس يحسب الدقة ببساطة كنسبة الحالات التي تم تصنيفها بشكل صحيح إلى الحالات الإجمالية.

يعتبر هذا المقياس الأكثر شيوعًا لأنه سهل الفهم والتطبيق ولا يتطلب معرفة مسبقة بأساسيات الإحصاء أو الرياضيات. بالإضافة إلى ذلك، يمكن استخدام هذا المقياس مع جميع أنواع البيانات التي تحتوي على Labels بها 0 أو 1.

ولكن هناك أيضاً 

مقاييس المختلفة لحساب دقة النموذج في حالة وجود Feature و Labels بها 0 أو 1:

•  مقياس الدقة المتعددة الأصفار والواحد (Multiclass accuracy):

يستخدم هذا المقياس في حالة وجود Labels متعددة بدلاً من قيم 0 أو 1. يتم حساب دقة النموذج عن طريق مقارنة التصنيف الصحيح لكل فئة بالتصنيف الفعلي للفئة المقابلة، ويتم حساب متوسط الأداء عبر جميع الفئات.

•  مقياس الدقة الموزون (Weighted accuracy):

يستخدم هذا المقياس في حالة وجود فئات غير متوازنة في البيانات، حيث يعطي وزنًا أكبر للفئات الأكثر شيوعًا. يتم حساب دقة النموذج عن طريق ضرب نسبة الحالات التي تم تصنيفها بشكل صحيح في كل فئة بالوزن النسبي لهذه الفئة، ويتم حساب المتوسط عبر جميع الفئات.

• مقياس الدقة الزمنية (Time-based accuracy):

يتم استخدام هذا المقياس في حالة وجود بيانات ذات تسلسل زمني، مثل البيانات الطبية أو البيانات المالية، حيث يتم حساب دقة النموذج عن طريق تصنيف الحالات في فترة زمنية معينة، ومن ثم حساب عدد الحالات التي تم تصنيفها بشكل صحيح خلال هذه الفترة.

• مقياسات دقة المصنف (Classifier accuracy):

تستخدم هذه المقاييس في حالة وجود Feature و Labels بها 0 أو 1، ولكن يتم تصنيف البيانات إما كـ"صحيح" أو "خاطئ". يمكن حساب دقة النموذج عن طريق حساب مقدار "صحيح إيجابي" (True positive)، و"صحيح سلبي" (True negative)، و"خاطئ إيجابي" (False positive)، و"خاطئ سلبي" (False negative)، ويمكن استخدام هذه المعلومات لحساب مقاييس مثل مقياس الحساسية (Sensitivity) ومقياس الدقة الخاصة (Specificity).

هناك 3 طرق لحساب الدقة:

1- حساب نسبة الدقة باستخدام وظيفة ABS في إكسل

يمكنك استخدام وظيفة ABS في إكسل لحساب نسبة الخطأ أولاً، ثم طرح الخطأ من 1 سيعطيك نسبة الدقة.

أدخل الصيغة التالية في الخلية E5 كما هو موضح في الصورة التالية:

=1-ABS(C5/D5-1)

ثم، انقر على أيقونة % لتطبيق تنسيق الرقم النسبي. بعد ذلك، انقر نقرًا مزدوجًا على أيقونة Fill Handle أو اسحبها لتطبيق الصيغة على الخلايا أدناه.

2- حساب نسبة الدقة باستخدام وظيفة IF في إكسل

يمكنك استبدال وظيفة ABS بوظيفة IF في إكسل للحصول على نفس النتيجة.

أولاً، ضع الصيغة التالية في الخلية E5 كما هو موضح أدناه.

=1-IF(C5>D5,(C5-D5)/D5,(D5-C5)/D5)

ثم، ضع تنسيق الرقم النسبي في تلك الخلية عن طريق النقر على أيقونة % من علامة التبويب الرئيسية. بعد ذلك، ضع الصيغة على جميع الخلايا أدناه باستخدام أيقونة Fill Handle.

3- استخدام وظيفة MIN-MAX لحساب نسبة الدقة في إكسل

بديلًا، يمكنك استخدام وظائف MAX و MIN في إكسل لذلك، تعيد وظيفة MAX القيمة القصوى داخل نطاق معين بينما تعيد وظيفة MIN القيمة الدنيا.

أولاً، أدخل الصيغة التالية في الخلية

=1-(MAX(C5:D5)-MIN(C5:D5))/D5

ثانيًا، حدد تنسيق الرقم النسبي باستخدام أيقونة % كما هو موضح في الصورة أدناه. أخيرًا، ضع الصيغة على جميع الخلايا أدناه باستخدام أيقونة Fill.

أعتقد أن المقصود هو أنك تريد بناء نموذج ذكاء صنعي يعتمد على هذه ال feature لتوقع ال label و حساب دقة هذا المودل.

بما أن المهمة بهذه البساطة يمكنك استعمال linear regression.

في البداية عليك قراءة البيانات من ملف ال excel، يمكنك استعمال مكتبة pandas.

ثم يمكنك تقسيم هذه البيانات إلى قسمين، قسم للتدريب و قسم للاختبار، يمكنك استعمال مكتبة scikit-learn حيث أنها تحوي على تابع يدعى train_test_split، مثال على استعماله:

X_train, X_test, y_train, y_test = train_test_split(
  X, y, test_size=0.25
)

حيث هنا X هو العمود الخاص بال feature و y هو الليبل.

بعد ذلك يمكنك استعمال هذه البيانات لتدريب مودل Linear regresssion كما يلي:

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X_train, y_train)

و يمكنك حساب الدقة كما يلي:

print(model.score(X_test, y_test))

إذا كنت تريد حساب دقة ملف الإكسل الخاص بك، فهناك طريقة بسيطة يمكنك استخدامها.

الدقة هي نسبة عدد العينات المصنفة بشكل صحيح إلى إجمالي عدد العينات.

الصيغة الرياضية لحساب الدقة هي 1 - (عدد العينات المصنفة بشكل خاطئ / إجمالي عدد العينات).

يمكنك استخدام لغة برمجة مثل بايثون لتطبيق هذه الصيغة على ملف الإكسل الخاص بك. مثلا، لو كان لديك ملف إكسل به 35 عينة و Feature واحد و Labels بها 0 أو 1، ولو كانت قراءات Labels هي:

[0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 1، 0، 0، 0، 0، 0، 0، 0، 0، 0، 1، 0، 0، 0، 1، 0، 0]

ولو كانت توقعات Feature هي:

[1، 1، 1، 1، 1، 1، 1، 1، 1، 1، 1، 1، 1، 1،1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]

فإن عدد العينات المصنفة بشكل خاطئ هو (35 -3) =32 وإجمالي عدد العينات هو (35) وبالتالي فإن دقة الملف هي:

accuracy = (35 -32) /35 =3 /35 =0.0857

هذا يعني أن دقة الملف منخفضة جدا وأن Feature لا يمثل Labels بشكل جيد. يمكنك تحسين دقة الملف بإضافة Features أخرى أو استخدام نموذج تصنيف آخر.