باختصار
مصفوفة الالتباس (Confusion Matrix) جدول بحجم NxN بيلخّص عدد التنبّؤات الصحيحة والخاطئة اللي عملها نموذج تصنيف.
بالتفصيل
خُد مثالًا لنموذج تصنيف ثنائي بيكشف الأورام. المصفوفة بتوزّع 477 تنبّؤًا كالتالي: 18 تنبّؤًا إيجابيًا صحيحًا (TP)، و1 سلبيًا خاطئًا (FN)، و6 إيجابيًا خاطئًا (FP)، و452 سلبيًا صحيحًا (TN).
يعني: من أصل 19 حالة كانت فعلًا ورمًا، صنّف النموذج 18 صح وواحدة غلط. ومن أصل 458 حالة كانت فعلًا غير ورم، صنّف 452 صح و6 غلط.
ولمصفوفة الالتباس فايدة أكبر في التصنيف متعدّد الفئات: بتساعدك تكتشف أنماط الغلط تحديدًا. مثلًا نموذج بيصنّف ثلاثة أنواع من الزهور، ولو المصفوفة أظهرت إن الأخطاء غالبًا بين نوعين متشابهين، ده معلومة تشخيصية مباشرة — مش مجرّد «النموذج غلط».
ونفس المنطق بينطبق على أي نموذج تصنيف: نموذج للتعرّف على الأرقام المكتوبة يدويًا ممكن يظهر ميلًا لتوقّع 9 بدل 4، أو 1 بدل 7 — وده مفيد لأنه بيوجّهك لمكان المشكلة، مش لمجرّد حجمها.
وأهمّ من كل ده: المصفوفة فيها كل المعلومات الكافية لحساب مجموعة من مقاييس الأداء، ومنها الدقّة (Precision) والاستدعاء (Recall).
مثال عملي
نموذج كشف احتيال بيرجّع مصفوفة: 40 إيجابيًا صحيحًا، و10 سلبيًا خاطئًا، و300 إيجابيًا خاطئًا، و9650 سلبيًا صحيحًا.
الاستدعاء (كم احتيال فعلي مسكه) = 40/50 = 80%. الدقّة (من كل الحالات اللي وسمها احتيال، كام كانت فعلًا احتيال) = 40/340 ≈ 12%. الرقمان مع بعض بيقولوا: النموذج بيمسك معظم الاحتيال، لكن بإنذارات كاذبة كتير — ومصفوفة الالتباس هي اللي كشفت الصورة دي.
مصطلحات مرتبطة
- Precision — الدقّة.
- Recall — الاستدعاء.
- Class-Imbalanced Dataset — مجموعة البيانات غير المتوازنة.
المصادر: Google ML Glossary
