تقييم النتائج واختبار الأداء
ما هو تفسيرك لنتائج نموذجك وتقييمك لأدائه
الدقة والاستجابة
بعد الانتهاء من تدريب نموذج التعلم الآلي، سترى مُلخصًا لأداء النموذج مع درجات "الدقة Precision" و"الاستجابة Recall".
تخبرنا درجة "الدقة" عن نسبة الصور التي حدَّدها النموذج على أنها إيجابية، والتي كان ينبغي بالفعل تصنيفها على هذا النحو. وتخبرنا درجة الاستجابة بدلًا من ذلك عن نسبة الصور الإيجابية الفعلية التي تم تحديدها بشكل صحيح.
لقد كان أداء نموذجنا جيدًا جدًا في كلتا الفئتين، حيث كانت النتائج أعلى من 97٪. دعونا نرى ما يعنيه ذلك بمزيد من التفصيل.
تقييم أداء النموذج
انقر على "Evaluate تقييم" في القائمة العلوية ودعنا نستكشف الواجهة. أولًا، يُظهِر لنا النتائج المتعلقة بالدقة والاستجابة مرة أخرى. في حالتنا هذه، تخبرنا درجة الدقة أن 97٪ من صور الاختبار التي حدَّدها النموذج كأمثلة لتعدين الكهرمان كانت بالفعل تُظهر آثارًا لتعدين الكهرمان.
وبدلًا من ذلك، تخبرنا درجة الاستجابة أن 97٪ من صور الاختبار التي تُظهر أمثلة على تعدين الكهرمان قد تم تصنيفها بشكل صحيح على هذا النحو بواسطة نموذج التعلم الآلي.
حد الثقة هو مستوى الثقة الذي يجب أن يكون لدى نموذج التعلم الآلي لتعيين تصنيف ما. كلما انخفض حد الثقة، زاد عدد الصور التي سيصنفها نموذج التعلم الآلي، ولكن كلما زادت مخاطر تصنيف بعض الصور بصورة خاطئة.
إذا كنت ترغب في التعمق أكثر واستكشاف منحنيات الدقة-الاستجابة، فاتبع الرابط الموجود على الواجهة لمعرفة المزيد.
الصور الإيجابية الخاطئة والصور السلبية الخاطئة
والآن، لنلق نظرة على مصفوفة الالتباس والخلط. كلما زادت الدرجات على الخلفية الزرقاء، كان أداء نموذج التعلم الآلي أفضل. في هذا المثال، النتائج جيدة جدًا.
تم التعرف على جميع الصور التي كان ينبغي تصنيفها على أنها سلبية (لا يوجد تعدين للكهرمان) من خلال النموذج وتم تصنيف 82٪ من الصور التي تضمنت آثارًا لتعدين الكهرمان بشكل صحيح على هذا النحو.
ليست لدينا هنا صور إيجابية خاطئة - حيث لم يتم تصنيف أي صور بشكل خاطئ كأمثلة لتعدين الكهرمان - وتوجد فقط 12٪ من الصور السلبية الخاطئة: وهي الصور التي تُظهر آثار تعدين الكهرمان وفشل نموذج التعلم الآلي في التعرف عليها.
هذا أمر جيد بالنسبة لتحقيق أهداف التحقيق الذي نُجريه بشأن الكشف عن أنشطة التعدين غير القانونية للكهرمان: من الأفضل تفويت بعض الأمثلة الإيجابية بدلًا من إحضارها كدليل على صور تعدين الكهرمان التي لا تُظهر ذلك في الواقع.
انقر على المرشحات اليسرى إذا كنت تريد معرفة صور الاختبار التي تم تصنيفها بشكل صحيح أو بشكل خاطئ بواسطة نموذج التعلم الآلي.
هل أنت لست متأكدًا بعد مما إذا كان بإمكانك الوثوق بنموذج التعلم الآلي أم لا؟ بالنقر فوق "Test & Use الاختبار والاستخدام"، يمكنك تحميل صور أقمار صناعية جديدة تمامًا - سواء تتضمن أو لا تتضمن آثار لتعدين الكهرمان - لمعرفة ما إذا كان نموذج التعلم الآلي يقوم بتصنيفها بشكل صحيح.
إعادة إجراء الاختبار والتدرب مرة أخرى
بعض الاعتبارات الأخيرة قبل الختام:
قد تتساءل عن كيفية حصول نموذج التعلم الآلي على بعض الإجابات الخاطئة عندما أخبرناه بكل الإجابات الصحيحة للبدء بها. إذا تبادر إلى ذهنك هذا السؤال، فربما يتعين عليك مراجعة التقسيم إلى مجموعات التدريب والتحقق والاختبار المُوضَّحة في الدرس السابق.
في هذا المثال، تم تصنيف جميع الصور تقريبًا بشكل صحيح. ولكن ذلك لن يكون الحال دائمًا. إذا لم تكن راضيًا عن أداء نموذجك، فيمكنك دائمًا تحديث مجموعة البيانات وتحسينها وتدريب النموذج مرة أخرى. يمكنك تحليل الخطأ الذي حدث في التكرار الأول بعناية، وعلى سبيل المثال، إضافة المزيد من الصور المُشابهة لتلك التي تم تصنيفها بشكل خاطئ بواسطة نموذج التعلم الآلي إلى مجموعة التدريب الخاصة بك.
فالتعلُّم بالنسبة للآلة تمامًا كما هو الحال بالنسبة للبشر عملية تكرارية.
-
How to make them using makestories.io
الدرسmakestories.io is a platform specially created to help people make, publish, and monetize Google Web Stories. It’s free, and it can be used with any content management system. Here are the basics of how to get started with makestories.io. -
-
![GO801_GNI_TilesgramsIntro_TitleCard.jpg]()
