باختصار
Precision (الضبط) مقياس لنماذج التصنيف بيجاوب على سؤال واحد: لما النموذج توقّع الفئة الإيجابية، كان صح في كام في المية من المرّات؟
بالتفصيل
المعادلة:
Precision = TP / (TP + FP)
- True Positive (إيجابي صحيح): النموذج قال «إيجابي» وكان فعلًا إيجابي.
- False Positive (إيجابي كاذب): النموذج قال «إيجابي» بالغلط.
يعني الـ Precision ما بتبصّش خالص على الحالات اللي النموذج قال عليها «سلبي». هي بتحاسبه بس على «الإنذارات» اللي طلّعها: كام واحد منها كان حقيقي؟
الـ Precision العالية معناها إن النموذج لما بيتكلّم بتصدّقه. لكنها ممكن تيجي على حساب إنه يسكت في حالات كتير هو مش متأكّد منها، وده اللي بيقيسه مقياس تاني اسمه Recall. وعشان كده عادةً بنبصّ على الاتنين مع بعض.
مثال عملي
من مسرد Google: نموذج عمل 200 توقّع إيجابي. منهم 150 كانوا صح (إيجابي صحيح)، و50 غلط (إيجابي كاذب).
الـ Precision = 150 ÷ (150 + 50) = 0.75.
تخيّل النموذج ده فلتر سبام في بريدك: 75% من الرسايل اللي رماها في السبام كانت فعلًا سبام، و25% كانت رسايل حقيقية ضاعت منك. لو الرسايل دي ممكن تكون عرض شغل، يبقى الـ Precision هنا أهمّ حاجة عندك.
مصطلحات مرتبطة
- Recall — الاستدعاء.
- F1 Score — مقياس F1.
- Accuracy — الدقّة الإجمالية.
- False Positive — الإيجابي الكاذب.
المصادر: Google ML Glossary
