كيف أقيّم نتائج Confusion Matrix لنموذج الشبكة العصبية؟

بتحليل الـ Confusion Matrix الموضح في الصورة يظهر النتائج التالية:

من خلال تحليل هذه النتائج و مع النتائج التي في الصورة فالدقة هي 0.8167 أو 81.67%، مما يعني أن النموذج صحيح بنسبة كبيرة، و تقييم النموذج يكون بهذا الشكل:
ممتاز: إذا كانت الدقة أعلى من 90%، وعادة ما تكون الأخطاء قليلة للغاية.
جيد جدا: النموذج الخاص بك يقع في هذه الفئة، حيث إن دقته قريبة من 82%.
جيد: إذا كانت الدقة تتراوح بين 70-80% مع الأخطاء الكثيرة نسبيا.

لذا فالنموذج الخاص بك يعتبر جيد جدا.

شكراا جدا لحضرتك

بتاريخ 3 ساعة قال Chihab Hedidi:

بتحليل الـ Confusion Matrix الموضح في الصورة يظهر النتائج التالية:

True Positives (TP): 137

False Positives (FP): 20

False Negatives (FN): 31

True Negatives (TN): 110

من خلال تحليل هذه النتائج و مع النتائج التي في الصورة فالدقة هي 0.8167 أو 81.67%، مما يعني أن النموذج صحيح بنسبة كبيرة، و تقييم النموذج يكون بهذا الشكل:
ممتاز: إذا كانت الدقة أعلى من 90%، وعادة ما تكون الأخطاء قليلة للغاية.
جيد جدا: النموذج الخاص بك يقع في هذه الفئة، حيث إن دقته قريبة من 82%.
جيد: إذا كانت الدقة تتراوح بين 70-80% مع الأخطاء الكثيرة نسبيا.

لذا فالنموذج الخاص بك يعتبر جيد جدا.

طيب هو انا عشان احسن النموذج ده اركز علي اي True positives والا True Negatives ؟

وهل ممكن اوصل ان False Positives و False Negatives يكون 0 ؟

بتاريخ منذ ساعة مضت قال Ail Ahmed:

طيب هو انا عشان احسن النموذج ده اركز علي اي True positives والا True Negatives ؟

يعتمد ذلك على المشكلة المحددة وتكلفة التصنيف الخاطئ، بمعنى في بعض الحالات ، تكون الإيجابيات الخاطئة أكثر تكلفة من السلبيات الخاطئة ، أو العكس.

ففي نظام التشخيص الطبي ، تكون السلبيات الخاطئة (فقدان تشخيص المرض) أكثر أهمية من الإيجابيات الخاطئة (تشخيص مرض بشكل غير صحيح)، بالتالي سترغب في التركيز على تحسين السلبيات الحقيقية.

في حالات أخرى، مثل الكشف عن البريد العشوائي، تكون الإيجابيات الخاطئة (وضع علامة على بريد إلكتروني شرعي على أنه بريد عشوائي) أكثر تكلفة من السلبيات الخاطئة (الفشل في اكتشاف البريد العشوائي) هنا ترغب في التركيز على تحسين الإيجابيات الحقيقية.

بتاريخ منذ ساعة مضت قال Ail Ahmed:

وهل ممكن اوصل ان False Positives و False Negatives يكون 0 ؟

من الناحية المثالية، نطمح إلى نموذج ذو FP و FN يساوي صفر، لكن في الواقع، من الصعب جداً الوصول إلى تلك النتيجة، خاصةً مع البيانات المعقدة.

بسبب أنّ البيانات تحتوي على أخطاء أو معلومات متناقضة، مما يصعب على النموذج تعلم الأنماط بشكل صحيح، أو  البيانات غير كافية لتمثيل جميع الحالات الممكنة، مما يؤدي إلى أخطاء في التصنيف، وأحيانًا تكون المشكلة التي تحاول حلها معقدة للغاية، بالتالي من الصعب على أي نموذج تحقيق دقة مثالية.

أيضَا عليك تجنب الإهتمام بقيمة الـ accuracy فقط، بل يجب الإهتمام أيضًا بالـ precision والـ recall.

شكرااا جدا لحضرتك