باختصار
Accuracy (الدقّة الإجمالية) هي عدد التوقّعات الصحيحة مقسوم على إجمالي التوقّعات. لو النموذج جاوب 40 صح و10 غلط، تبقى الـ Accuracy بتاعته 80%.
بالتفصيل
في التصنيف الثنائي (نعم أو لا)، فيه أربع نتايج ممكنة: إيجابي صحيح (TP)، وسلبي صحيح (TN)، وإيجابي كاذب (FP)، وسلبي كاذب (FN). والمعادلة بتبقى:
Accuracy = (TP + TN) / (TP + TN + FP + FN)
المشكلة إن الـ Accuracy بتضلّلك جامد مع البيانات غير المتوازنة، يعني لما فئة نادرة جدًا وفئة تانية منتشرة. هنا النموذج ممكن «يكسب» بإنه يقول نفس الإجابة كل مرّة.
عشان كده مسرد Google بيقول إن الـ Precision والـ Recall عادةً أفيد من الـ Accuracy في الحالات دي.
مثال عملي
مثال المسرد: مدينة شبه استوائية التلج بينزل فيها 25 يوم بس في القرن. عملت نموذج بيقول «مفيش تلج» كل يوم، من غير ما يفكّر. على مدار قرن:
- سلبي صحيح: 36,499 يوم.
- سلبي كاذب: 25 يوم (أيام التلج اللي فاتته كلها).
- إيجابي صحيح: صفر.
الـ Accuracy = 36,499 ÷ 36,524 = 99.93%. رقم يبهر، لكن النموذج ما توقّعش ولا يوم تلج واحد، يعني ما عندوش أي قدرة تنبّؤية.
الدرس: لما حد يقولك «النموذج دقّته 99%»، اسأل الأول: الفئات متوازنة؟
مصطلحات مرتبطة
- Precision — الضبط.
- Recall — الاستدعاء.
- Confusion Matrix — مصفوفة الالتباس.
- Class-Imbalanced Dataset — مجموعة بيانات غير متوازنة.
المصادر: Google ML Glossary
