ما معنى F1 Score؟
F1 Score هو مقياس يُستخدم لتقييم أداء نماذج التصنيف في مجال التعلم الآلي، ويُعد مقياسًا شاملًا يجمع بين دقة النموذج واستدعائه. يتم حسابه على أساس التوازن بين هذين العاملين ليعطي شكلاً موحدًا لقياس جودة النموذج.
تعريف F1 Score
F1 Score هو المتوسط التوافقي بين Precision (الدقة) و Recall (الاستدعاء)* ويعبر عن مدى كفاءة النموذج في تصنيفه الصحيح. الدقة تقيس نسبة العينات الصحيحة التي تم توقعها بشكل إيجابي من بين كل التوقعات الإيجابية، أما الاستدعاء فيقيس نسبة العينات الإيجابية التي تم اكتشافها بنجاح من بين جميع العينات الإيجابية الحقيقية.
كيف يتم حساب F1 Score؟
يتم حساب F1 Score باستخدام المعادلة التالية:
F1 Score = 2 × (Precision × Recall) / (Precision + Recall)
المتوسط التوافقي هنا يعني أن F1 Score يكون مرتفعًا فقط إذا كانت كل من الدقة والاستدعاء مرتفعتين معًا. إذا كانت واحدة منهما منخفضة، سينخفض نتيجة F1 Score أيضاً.
أهمية F1 Score في تقييم النماذج
في كثير من الحالات، خاصة في التصنيفات التي تكون فيها النتائج الإيجابية نادرة أو ذات أهمية خاصة، مثل الكشف عن الأمراض أو الاحتيال، لا يكفي الاعتماد فقط على الدقة أو الاستدعاء بشكل منفصل. لذا يعتبر F1 Score أداة قيمة لأنه يوفر تقييم شامل وموحد لأداء النموذج. فلو كان النموذج يتنبأ بالكثير من الإيجابيات الكاذبة، ستنخفض الدقة، ولو كان يتجنب كثيرًا من الإيجابيات الحقيقية فسينخفض الاستدعاء، وF1 Score يعكس هذا التوازن.
استخدامات F1 Score
غالبًا ما يستخدم F1 Score في مهام التصنيف الثنائي، كالتصنيف بين الإيجابي والسلبي، لكنه مفيد أيضًا في التصنيفات متعددة الفئات عند حسابه لكل فئة على حدة ثم أخذ المتوسط. يساعد هذا المقياس المهندسين والمحللين على تحسين نماذجهم بحيث لا تكون متحيزة نحو معالجة نوع معين من الأخطاء فقط.
بالتالي، عند قراءة تقييمات لنماذج التعلم الآلي، خاصة في المجالات الحساسة، من الضروري النظر إلى F1 Score كجزء مهم لفهم جودة النموذج وليس فقط إلى الدقة أو الاستدعاء كل على حدة.
