مقاييس تقييم التصنيف Classification Metrics

الصياغة

from sklearn.metrics import (
    accuracy_score, f1_score, roc_auc_score,
    classification_report, confusion_matrix
)

print(classification_report(y_true, y_pred))
# يطبع Precision/Recall/F1 لكل فئة + macro avg + weighted avg

📄 مثال

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report

X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42, stratify=y)

model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

print(classification_report(y_test, y_pred, target_names=["سليم", "ورم"]))

أهم النقاط

💡 نصائح عملية

• في بيانات غير متوازنة، Accuracy وحدها مضللة — أضف F1 و ROC-AUC و/أو Cohen's Kappa
• classification_report يعطيك كل المقاييس لكل فئة في تمريرة واحدة — استخدمه للتحقق السريع

⚠️ أخطاء شائعة

• الإبلاغ عن Accuracy = 99% لمشكلة غير متوازنة 99% فئة واحدة — النموذج "متوسط" لكنه يبدو "ممتازًا"
• استخدام macro avg حين الفئات الصغيرة لا تهم — weighted avg أنسب في تلك الحالة

خصائص ذات صلة