مصفوفة الالتباس

مصفوفة الالتباس هي أداة تُستخدم في تعلم الآلة لتقييم أداء نموذج التصنيف. وهي عبارة عن جدول محدد يسمح بتصور أداء الخوارزمية، وغالبًا ما تكون خوارزمية تعلم خاضع للإشراف. في مصفوفة الالتباس، يمثل كل صف من المصفوفة الحالات في الفئة الفعلية بينما يمثل كل عمود الحالات في الفئة المتوقعة. تعتبر هذه المصفوفة مفيدة بشكل خاص في فهم التنبؤات الإيجابية الحقيقية، السلبية الحقيقية، الإيجابية الخاطئة، والسلبية الخاطئة التي يقوم بها النموذج.

توفر مصفوفة الالتباس توزيعًا حسب الفئة للأداء التنبؤي لنموذج التصنيف. وتسمح هذه الخريطة المنظمة بطريقة تقييم أكثر شمولاً، وتقدم رؤى حول مواضع أخطاء النموذج. وعلى عكس الدقة البسيطة التي قد تكون مضللة في مجموعات البيانات غير المتوازنة، توفر مصفوفة الالتباس رؤية أكثر تفصيلاً لأداء النموذج.

مكونات مصفوفة الالتباس

1. الإيجابية الحقيقية (TP): الحالات التي توقع فيها النموذج الفئة الإيجابية بشكل صحيح. على سبيل المثال، في اختبار الكشف عن مرض، تكون الإيجابية الحقيقية هي الحالة التي يحدد فيها الاختبار مريضًا مصابًا بالمرض بشكل صحيح.
2. السلبية الحقيقية (TN): الحالات التي توقع فيها النموذج الفئة السلبية بشكل صحيح. على سبيل المثال، يحدد الاختبار بشكل صحيح شخصًا سليمًا بأنه غير مصاب بالمرض.
3. الإيجابية الخاطئة (FP): الحالات التي توقع فيها النموذج الفئة الإيجابية بشكل غير صحيح. في مثال اختبار المرض، ستكون هذه الحالة هي لشخص سليم تم تحديده بشكل خاطئ على أنه مصاب بالمرض (الخطأ من النوع الأول).
4. السلبية الخاطئة (FN): الحالات التي توقع فيها النموذج الفئة السلبية بشكل غير صحيح. في مثالنا، ستكون هذه الحالة هي لمريض تم تحديده بشكل خاطئ على أنه سليم (الخطأ من النوع الثاني).

أهمية مصفوفة الالتباس

توفر مصفوفة الالتباس فهماً أكثر شمولاً لأداء النموذج مقارنة بالدقة البسيطة. فهي تساعد في تحديد ما إذا كان النموذج يخلط بين فئتين، وهو أمر مهم بشكل خاص في حالات وجود مجموعات بيانات غير متوازنة حيث تتفوق فئة واحدة عدديًا على الأخرى. كما أنها ضرورية لحساب مؤشرات مهمة أخرى مثل الدقة (Precision)، الاسترجاع (Recall)، ودرجة F1.

ولا تتيح مصفوفة الالتباس فقط حساب دقة المصنف، سواء كانت الدقة العامة أو الدقة حسب الفئة، بل تساعد أيضًا في حساب مؤشرات هامة أخرى غالبًا ما يستخدمها المطورون لتقييم نماذجهم. كما يمكن أن تساعد في مقارنة نقاط القوة والضعف النسبية بين المصنفات المختلفة.

المؤشرات الرئيسية المستمدة من مصفوفة الالتباس

• الدقة (Accuracy): نسبة الحالات المتوقعة بشكل صحيح (الإيجابيات الحقيقية والسلبيات الحقيقية) إلى إجمالي عدد الحالات. وعلى الرغم من أن الدقة تعطي فكرة عامة عن أداء النموذج، إلا أنها قد تكون مضللة في مجموعات البيانات غير المتوازنة.

• الدقة (Precision) (القيمة التنبؤية الإيجابية): نسبة التوقعات الإيجابية الحقيقية إلى إجمالي التوقعات الإيجابية. وتعد الدقة أساسية في السيناريوهات التي يكون فيها تكلفة الإيجابية الخاطئة عالية.

  $$ \text{Precision} = \frac{TP}{TP + FP} $$

• الاسترجاع (Recall) (الحساسية أو معدل الإيجابية الحقيقية): نسبة التوقعات الإيجابية الحقيقية إلى إجمالي الحالات الإيجابية الفعلية. ويكون الاسترجاع مهمًا في الحالات التي يكون فيها فقدان حالة إيجابية مكلفًا.

  $$ \text{Recall} = \frac{TP}{TP + FN} $$

• درجة F1: المتوسط التوافقي للدقة والاسترجاع. ويوفر توازنًا بين المؤشرين ويكون مفيدًا بشكل خاص عندما تحتاج إلى أخذ كل من الإيجابيات الخاطئة والسلبيات الخاطئة في الاعتبار.

  $$ \text{F1 Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} $$

• النوعية (Specificity) (معدل السلبية الحقيقية): نسبة التوقعات السلبية الحقيقية إلى إجمالي الحالات السلبية الفعلية. وتكون النوعية مفيدة عندما يكون التركيز على تحديد الفئة السلبية بشكل صحيح.

  $$ \text{Specificity} = \frac{TN}{TN + FP} $$

حالات استخدام مصفوفة الالتباس

1. التشخيص الطبي: في حالات مثل التنبؤ بالأمراض، حيث من الضروري تحديد جميع حالات المرض (استرجاع مرتفع) حتى لو أدى ذلك إلى تشخيص بعض الأشخاص الأصحاء بأنهم مرضى (دقة أقل).
2. كشف الرسائل المزعجة (Spam): حيث من المهم تقليل الإيجابيات الخاطئة (رسائل غير مزعجة تم تمييزها خطأً كرسائل مزعجة).
3. كشف الاحتيال: في المعاملات المالية، حيث قد يكون فقدان معاملة احتيالية (سلبية خاطئة) أكثر تكلفة من وسم معاملة شرعية بأنها احتيالية (إيجابية خاطئة).
4. التعرف على الصور: على سبيل المثال، التعرف على أنواع الحيوانات في الصور، حيث يمثل كل نوع فئة مختلفة.

مصفوفة الالتباس في التصنيف متعدد الفئات

في التصنيف متعدد الفئات، تمتد مصفوفة الالتباس لتصبح مصفوفة بحجم N × N حيث N هو عدد الفئات. يشير كل خانة في المصفوفة إلى عدد الحالات التي يكون فيها الصف هو الفئة الفعلية والعمود هو الفئة المتوقعة. تساعد هذه الامتدادة في فهم الأخطاء بين الفئات المتعددة.

تنفيذ مصفوفة الالتباس في بايثون

توفر أدوات مثل scikit-learn في بايثون دوال مثل confusion_matrix() وclassification_report() لحساب وعرض مصفوفات الالتباس بسهولة. إليك مثال على كيفية إنشاء مصفوفة التباس لمشكلة تصنيف ثنائية:

from sklearn.metrics import confusion_matrix, classification_report

# القيم الفعلية والمتوقعة
actual = ['Dog', 'Dog', 'Cat', 'Dog', 'Cat']
predicted = ['Dog', 'Cat', 'Cat', 'Dog', 'Cat']

# إنشاء مصفوفة الالتباس
cm = confusion_matrix(actual, predicted, labels=['Dog', 'Cat'])

# عرض مصفوفة الالتباس
print(cm)

# إنشاء تقرير التصنيف
print(classification_report(actual, predicted))

دراسات

1. دمج الذكاء الصناعي الطرفي في مجال مراقبة الصحة الهيكلية
   في دراسة أنوب ميشرا وآخرين (2023)، استكشف المؤلفون دمج الذكاء الصناعي الطرفي في مجال مراقبة الصحة الهيكلية (SHM) لفحص الجسور في الوقت الحقيقي. تقترح الدراسة إطار عمل للذكاء الصناعي الطرفي وتطور نموذج تعلم عميق متوافق مع الذكاء الصناعي الطرفي لإجراء تصنيف الشقوق في الوقت الحقيقي. تم تقييم فعالية هذا النموذج من خلال مؤشرات متنوعة، بما في ذلك الدقة ومصفوفة الالتباس، والتي تساعد في تقييم الاستنتاجات واتخاذ القرار في المواقع الفعلية.
   اقرأ المزيد

2. CodeCipher: تعلّم إخفاء الشيفرة المصدرية ضد النماذج اللغوية الكبيرة
   في هذه الدراسة لعام 2024 من إعداد يالان لين وآخرين، يتناول المؤلفون مخاوف الخصوصية في مهام البرمجة المدعومة بالذكاء الاصطناعي. يقدم الباحثون CodeCipher، وهي طريقة لإخفاء الشيفرة المصدرية مع الحفاظ على أداء نموذج الذكاء الاصطناعي. تقدم الدراسة استراتيجية مطابقة التوكنات التباسية، والتي تعكس تطبيقًا جديدًا لمفهوم الالتباس، وإن لم تكن مصفوفة التباس بشكل مباشر، في حماية الخصوصية دون التأثير على فعالية مهام الذكاء الاصطناعي.
   اقرأ المزيد

3. هل تستطيع الشبكات العصبية الالتفافية تصنيف مشاعر الإنسان بدقة؟ دراسة التعرف على تعابير الوجه بالتعلم العميق
   في هذه الدراسة لعام 2023 من إعداد آشلي جيسو هونغ وآخرين، يفحص المؤلفون قدرة الشبكات العصبية الالتفافية (CNNs) على تصنيف مشاعر الإنسان من خلال التعرف على الوجه. تستخدم الدراسة مصفوفات الالتباس لتقييم دقة الشبكات العصبية في تصنيف المشاعر كإيجابية أو حيادية أو سلبية، مقدمة رؤى حول أداء النموذج تتجاوز مقاييس الدقة الأساسية. تلعب مصفوفة الالتباس دورًا أساسيًا في تحليل معدلات الخطأ وفهم سلوك النموذج في الفئات المختلفة للمشاعر.
   اقرأ المزيد

تسلط هذه المقالات الضوء على التطبيقات المتنوعة وأهمية مصفوفات الالتباس في الذكاء الاصطناعي، بدءًا من اتخاذ القرار في الوقت الحقيقي في مراقبة الصحة الهيكلية، إلى حماية الخصوصية في البرمجة، وتصنيف المشاعر في التعرف على الوجوه.