أخطاء النموذج ، ماذا تعني الإيجابيات والسلبيات الخاطئة؟

 


عند تقييم أي نموذج تعلّم آلة، لا يكفي أن نعرف عدد التنبؤات الصحيحة فقط، بل يجب أن نفهم نوع الأخطاء التي يقع فيها النموذج. فليست كل الأخطاء متساوية في الأثر أو الخطورة.

 

كيف يفكّر النموذج عند التنبؤ؟

في أبسط صورة، النموذج يجيب عن سؤال: نعم أو لا، صحيح أو غير صحيح.

لكن عند مقارنة تنبؤه بالواقع، تظهر أربع حالات ممكنة، وهي أساس فهم أخطاء النموذج.

 

الحالة الأولى: الإيجابي الصحيح (True Positive)

يحدث عندما يتنبأ النموذج بوجود حالة معيّنة، وتكون موجودة فعلًا.

هذا هو التنبؤ المثالي الذي نريده.

 

الحالة الثانية: السلبي الصحيح (True Negative)

يحدث عندما يتنبأ النموذج بعدم وجود الحالة، وهي فعلًا غير موجودة.

وهذا أيضًا سلوك صحيح ومطلوب.

 

الحالة الثالثة: الإيجابي الخاطئ (False Positive)

هنا يتنبأ النموذج بوجود حالة، لكنها غير موجودة في الواقع.

هذا النوع من الخطأ يُسمّى أحيانًا “إنذارًا كاذبًا”.

 

في بعض التطبيقات، مثل الفحوصات الطبية أو الأنظمة الأمنية، قد يكون هذا الخطأ مزعجًا لكنه أقل خطورة من تجاهل حالة حقيقية.

 

الحالة الرابعة: السلبي الخاطئ (False Negative)

في هذه الحالة، يفشل النموذج في اكتشاف حالة موجودة بالفعل.

هذا الخطأ يُعدّ الأخطر في كثير من المجالات، لأنه يعني تجاهل مشكلة حقيقية.

 

لماذا فهم الأخطاء أهم من عددها؟

قد يكون لنموذجين نفس الدقّة، لكن أحدهما يخطئ في حالات غير مؤثرة، بينما الآخر يخطئ في حالات حسّاسة.

لهذا لا نقيّم النموذج فقط بعدد أخطائه، بل بطبيعة هذه الأخطاء.

 

العلاقة بين الأخطاء والمقاييس

·       مقاييس مثل Precision وRecall ليست أرقامًا معزولة، بل انعكاس مباشر لهذه الأخطاء.

·       Precision يتأثر بالإيجابيات الخاطئة،

·       وRecall يتأثر بالسلبيات الخاطئة.

 

فهم هذه العلاقة يمنحنا قدرة حقيقية على تفسير أداء النموذج، لا مجرد قراءته.

 

خلاصة الدرس

النموذج الجيّد ليس الذي لا يخطئ، بل الذي نعرف كيف يخطئ، ولماذا، ومتى يكون خطؤه مقبولًا أو خطرًا.

فهم الأخطاء هو الخطوة التي تحوّل تقييم النموذج من أرقام جامدة إلى قرار واعٍ.


تعليقات

المشاركات الشائعة من هذه المدونة

بداية الحكاية

حين اخترت أن أسمو

عندما تُغاث الروح