كيفية إنشاء منحنى الدقة والاستدعاء في بايثون

تُعد عملية تقييم النماذج التنبؤية في حقل تعلم الآلة (Machine Learning) الركيزة الجوهرية التي يستند إليها علماء البيانات لتحديد مدى كفاءة الخوارزميات وقابليتها للتعميم على بيانات غير مرئية. فعندما ننتقل من مرحلة تدريب النماذج الإحصائية إلى مرحلة القياس الموضوعي لأدائها، نكتشف سريعاً أن اختيار المقياس المناسب ليس مجرد تفضيل تقني عابر، بل هو قرار منهجي حاسم قد يحدد نجاح المشروع البرمجي أو فشله الذريع. وتكتسب هذه القضية أهمية بالغة عند التعامل مع مهام التصنيف الثنائي ذات الفئات غير المتوازنة، حيث تفقد المقاييس التقليدية قدرتها على تقديم تقييم دقيق وصادق.

في العديد من التطبيقات العملية المعاصرة، مثل الكشف عن المعاملات المالية المشبوهة، والتشخيص الطبي المبكر للأورام الخبيثة، ورصد الهجمات السيبرانية في شبكات الحواسيب، تمثل الفئة الإيجابية المراد التنبؤ بها نسبة ضئيلة جداً من إجمالي حجم البيانات المتاحة. في ظل هذه السيناريوهات المعقدة، يقف مقياس الدقة العامة عاجزاً ومضللاً، مما يفرض اللجوء إلى أدوات بصرية ورياضية متقدمة تتيح فهم الاستجابة التنبؤية للنموذج عبر نطاقات احتمالية متعددة ومستويات متفاوتة من الحساسية. ويأتي منحنى الدقة والاستدعاء (Precision-Recall Curve) في صدارة هذه الأدوات المنهجية التي تمنح المطورين فهماً عميقاً لسلوك المصنفات الإحصائية.

يهدف هذا الدليل الشامل والمفصل إلى تقديم دراسة موسعة وتطبيقية لكيفية إنشاء وتحليل وتفسير منحنى الدقة والاستدعاء باستخدام لغة البرمجة بايثون (Python) ومكتبة Scikit-Learn. سنستعرض بعمق الأسس الرياضية والنظرية الكامنة خلف مقاييس الدقة والاستدعاء، ونحلل المقايضة الحتمية بينهما، ونقارن بين هذا المنحنى ومنحنى الخصائص التشغيلية للمستقبل (ROC Curve)، وصولاً إلى التطبيق البرمجي المتكامل، ورسم المخططات البيانية البيانية الاحترافية، وحساب متوسط الدقة الرياضي، واختيار عتبة القرار المثلى للنشر في البيئات الإنتاجية الحساسة.

1. مقدمة إلى مقاييس التقييم في نماذج تعلم الآلة

1.1 أهمية تقييم نماذج التصنيف الثنائي

يمثل التصنيف الثنائي أحد أكثر أنماط التعلم الخاضع للإشراف شيوعاً واستخداماً في الصناعة الحديثة والأبحاث الأكاديمية. تتطلب هذه العملية من الخوارزمية الرياضية فرز العينات إلى إحدى فئتين متعارضتين: الفئة الإيجابية (Positive Class) التي تمثل عادة الحدث محل الاهتمام والبحث، والفئة السلبية (Negative Class) التي تمثل الحالة الافتراضية أو الطبيعية. وتكمن الصعوبة الكبرى في أن اتخاذ قرار التصنيف لا يعتمد فقط على قدرة الخوارزمية على الاستنتاج، بل يتأثر بشكل مباشر بكيفية وزن الأخطاء المترتبة على قراراتها.

يتجلى القصور المنهجي لمقياس الدقة العامة (Accuracy) – الذي يُحسب كنسبة بسيطة تقيس حاصل قسمة إجمالي التنبؤات الصحيحة على إجمالي عدد العينات – عندما يُطبق على بيئات بيانات غير متجانسة. فإذا كانت مجموعة البيانات تحتوي على 99% من الحالات السلبية و1% فقط من الحالات الإيجابية، فإن أي مصنف ساذج يتنبأ بأن جميع العينات تنتمي للفئة السلبية سيحقق دقة ظاهرية قدرها 99%. هذه النتيجة، رغم بريقها الإحصائي الخادع، عديمة القيمة التطبيقية تماماً، إذ فشل النموذج في رصد أي حالة إيجابية على الإطلاق، وهو ما يُعرف في الأدبيات الإحصائية بمفارقة الدقة (Accuracy Paradox).

من هنا تنبع الضرورة الملحة لاستخدام مقاييس أداء تخصصية متعددة الأبعاد تعزل سلوك النموذج التنبؤي تجاه كل فئة على حدة. تتيح هذه المقاييس للمهندسين والباحثين تقييم الأثر المباشر للقرارات التنبؤية، والموازنة الدقيقة بين الإيجابيات الحقيقية التي يلتقطها النظام والأخطاء التنبؤية المتنوعة. ففي الأنظمة ذات الحساسية الفائقة، لا يمكن التعامل مع جميع أنواع الأخطاء على قدم المساواة، حيث قد تؤدي إشارة إنذار كاذبة إلى تكاليف تشغيلية إضافية، بينما قد يتسبب إغفال حالة إيجابية حقيقية في عواقب كارثية تهدد الأرواح أو تسبب خسائر مالية جسيمة لا يمكن تعويضها.

1.2 التحديات الإحصائية في معالجة فئات البيانات غير المتكافئة

تُعد ظاهرة الفئة النادرة أو اختلال توازن البيانات (Class Imbalance) واحدة من أعقد العقبات الإحصائية التي تواجه نماذج تعلم الآلة في العالم الحقيقي. تنشأ هذه الظاهرة عندما يتفاوت التوزيع الاحتمالي المسبق للفئات داخل مجتمع الدراسة تفاوتاً حاداً، مما يجعل خوارزميات التحسين الرياضي تميل بشكل طبيعي نحو تقليل دالة الخسارة الإجمالية عبر تفضيل الفئة الأغلبية وإهمال الفئة الأقلية النادرة. هذا الانحياز الهيكلي يؤدي إلى شلل وظيفي للمقاييس الكلاسيكية التي تفترض ضمناً تكافؤ الأوزان الاحتمالية بين مختلف الفئات.

لمعالجة هذا التحدي المفاهيمي، يُعتمد على مصفوفة الارتباك (Confusion Matrix) كإطار تحليلي متكامل يقسم مخرجات النموذج إلى أربعة تصنيفات أساسية غير متداخلة:

• الإيجابيات الحقيقية (True Positives – TP): الحالات الإيجابية الفعلية التي صنفها النموذج بنجاح كإيجابية.
• السلبيات الحقيقية (True Negatives – TN): الحالات السلبية الفعلية التي صنفها النموذج بنجاح كسلبية.
• الإيجابيات الكاذبة (False Positives – FP): الحالات السلبية الفعلية التي أخطأ النموذج وصنفها كإيجابية (خطأ من النوع الأول Type I Error).
• السلبيات الكاذبة (False Negatives – FN): الحالات الإيجابية الفعلية التي أخفق النموذج في رصدها وصنفها كسلبية (خطأ من النوع الثاني Type II Error).

يمثل الانتقال من التقييم الأحادي القائم على رقم قياسي منفرد إلى التقييم متعدد الأبعاد باستخدام المنحنيات البيانية نقلة نوعية في علم البيانات. تُمكّن المنحنيات التحليلية الباحثين من تفكيك مصفوفة الارتباك عبر طيف متصل من عتبات اتخاذ القرار الاحتمالية، بدلاً من الارتهان لعتبة افتراضية جامدة (مثل 0.5)، مما يوفر رؤية بانورامية لسلوك الخوارزمية وحدود قدرتها على الفصل الإحصائي بين الفئات المستهدفة في ظل ظروف عدم التكافؤ الشديد.

2. الأسس الرياضية والنظرية لمقياسي الدقة والاستدعاء

2.1 مفهوم الدقة (Precision) وطريقة حسابه الرياضي

يُعرف مقياس الدقة (Precision) – ويُطلق عليه في الإحصاء الرياضي القيمة التنبؤية الإيجابية (Positive Predictive Value) – بأنه النسبة المئوية للحالات الإيجابية الفعلية من بين جميع الحالات التي توقع النموذج أنها إيجابية. يعكس هذا المقياس نقاء التنبؤات الإيجابية التي يصدرها المصنف، ويجيب على التساؤل الجوهري: “عندما يؤكد النموذج أن عينة ما تنتمي للفئة الإيجابية، ما مدى احتمالية أن يكون هذا التنبؤ صحيحاً وموثوقاً؟”.

تتم صياغة الدقة رياضياً وفق المعادلة الدقيقة التالية:

Precision = TP / (TP + FP)

حيث يمثل البسط عدد الإيجابيات الحقيقية (TP)، بينما يمثل المقام إجمالي التنبؤات الإيجابية التي أصدرها النموذج، وهي حاصل جمع الإيجابيات الحقيقية والإيجابيات الكاذبة (TP + FP). يتضح من هذا البناء الجبري أن قيمة الدقة تقترب من 1.0 (أو 100%) كلما اقتربت قيمة الإيجابيات الكاذبة (FP) من الصفر، مما يعني أن النموذج شديد التحفظ ولا يصدر تنبؤاً إيجابياً إلا عندما يكون واثقاً تماماً من صحة حكمه.

تكتسب الدقة أهمية قصوى في التطبيقات التي تكون فيها كلفة الخطأ من النوع الأول (False Positive) باهظة للغاية. من أمثلة ذلك أنظمة ترشيح البريد العشوائي (Spam Filtering)، حيث يُفضل المستخدم وصول رسالة غير مرغوب فيها إلى صندوق الوارد على أن يُصنف بريد عمل حيوي ومهم بطريق الخطأ كبريد مزعج ويُحذف تلقائياً. كما تبرز أهمية الدقة في محركات البحث وأنظمة التوصية التجارية، حيث يؤدي عرض نتائج غير دقيقة أو غير ملائمة إلى فقدان ثقة المستخدمين في المنصة وتراجع معدلات التفاعل الإجمالية.

2.2 مفهوم الاستدعاء (Recall) وحساسية النموذج

يمثل مقياس الاستدعاء (Recall) – المعروف أيضاً في السياقات الطبية والإحصائية باسم الحساسية (Sensitivity) أو المعدل الإيجابي الحقيقي (True Positive Rate) – نسبة الحالات الإيجابية الحقيقية التي تمكن النموذج من رصدها وتحديدها بنجاح مقارنة بالعدد الكلي للحالات الإيجابية الموجودة فعلياً في مجتمع البيانات. يجيب الاستدعاء عن السؤال المحوري: “من بين جميع الحالات الإيجابية الفعلية التي ينبغي اكتشافها، كم حالة نجح النموذج في استدعائها وإدراكها؟”.

تُحسب قيمة الاستدعاء عبر الصيغة الرياضية التالية:

Recall = TP / (TP + FN)

حيث يقسم هذا التعبير الرياضي عدد الإيجابيات الحقيقية (TP) على مجموع الإيجابيات الحقيقية والسلبيات الكاذبة (TP + FN)، وهو ما يكافئ إجمالي الحالات الإيجابية الواقعية. بناءً على هذا الهيكل الرياضي، ترتفع قيمة الاستدعاء إلى نهايتها العظمى عندما تتضاءل السلبيات الكاذبة (FN) إلى الصفر، وهو ما يدل على أن النموذج يمتلك شبكة صيد واسعة لا تترك أي حالة إيجابية تمر دون رصد واكتشاف.

يحتل الاستدعاء مكانة الصدارة في التطبيقات الحرجة ذات العواقب المصيرية، لا سيما في مجالات التشخيص الطبي وعلم الأورام، حيث يترتب على تصنيف مريض مصاب بمرض خطير على أنه سليم (False Negative) تأخر التدخل العلاجي وتدهور حالته الصحية وصولاً إلى الوفاة. كذلك في الكشف عن التهديدات الأمنية ومكافحة الإرهاب، يُعد رصد أي نشاط عدائي محتمل غاية أساسية تبرر قبول نسبة معقولة من الإنذارات الكاذبة في سبيل تجنب وقوع هجوم كارثي مفاجئ بسبب إغفال مؤشر إيجابي حقيقي.

2.3 طبيعة المقايضة بين الدقة والاستدعاء (Precision-Recall Tradeoff)

تخضع العلاقة بين الدقة والاستدعاء لمبدأ التنازع الرياضي المعروف في حقل الإحصاء التطبيقي باسم “المقايضة بين الدقة والاستدعاء” (Precision-Recall Tradeoff). تنبع هذه الظاهرة من كون نماذج التصنيف لا تصدر قرارات قطعية مباشرة في جوهرها، بل تحسب قيماً احتمالية مستمرة تعبر عن ثقة النموذج في انتماء العينة للفئة الإيجابية، ثم تُحول هذه الاحتمالات إلى فئات ثنائية عبر مقارنتها بعتبة قرار تنبؤية محددة (Decision Threshold).

عندما نرفع قيمة عتبة القرار الاحتمالية (لتكن 0.85 مثلاً)، يصبح النموذج صارماً ومتحفظاً للغاية في تصنيف أي حالة كإيجابية؛ يؤدي هذا التشديد إلى تقليص حاد في أعداد الإيجابيات الكاذبة (FP)، مما يقود حتماً إلى ارتفاع كبير في مقياس الدقة. ومع ذلك، فإن هذا التحفظ المفرط يجعله يغفل العديد من الحالات الإيجابية الحقيقية التي حصلت على احتمالات أدنى من العتبة الصارمة، مما يرفع السلبيات الكاذبة (FN) ويؤدي إلى تدهور حاد في مقياس الاستدعاء. وبالعكس، عند خفض العتبة (لتكن 0.15 مثلاً)، يزداد الاستدعاء بصورة هائلة على حساب تدهور الدقة بسبب تدفق الإيجابيات الكاذبة.

لتوفير مقياس تركيبي واحد يجمع بين هذين البعدين المتنافرين، يُستخدم على نطاق واسع مقياس F1-Score، وهو الوسط التوافقي (Harmonic Mean) بين الدقة والاستدعاء، ويُحسب بالصيغة:

F1-Score = 2 * (Precision * Recall) / (Precision + Recall)

يمتاز الوسط التوافقي بمعاقبته الشديدة للقيم المتطرفة؛ فإذا انهارت الدقة أو تراجع الاستدعاء نحو الصفر، فإن F1-Score سينخفض بشدة نحو الصفر أيضاً، مما يجعله مؤشراً متزناً يعبر عن الكفاءة العامة للمصنف عند نقطة تشغيلية بعينها.

3. مفهوم منحنى الدقة والاستدعاء (Precision-Recall Curve)

3.1 التعريف الهندسي والبياني للمنحنى

يُعرف منحنى الدقة والاستدعاء هندسياً بأنه تمثيل بياني ثنائي الأبعاد يرسم العلاقة الاقترانية الوظيفية بين الاستدعاء الممثل على المحور الأفقي السيني (X-axis) والدقة الممثلة على المحور الرأسي الصادي (Y-axis). لا يقتصر هذا الرسم على تقييم النموذج عند نقطة تشغيلية مفردة، بل يستعرض التغيرات المستمرة في سلوك المصنف عبر مسح شامل لكافة عتبات القرار الاحتمالية الممكنة المحصورة في المجال الرياضي المغلق بين [0, 1].

يتشكل المنحنى من خلال حساب زوج مرتب من القيم (Recall, Precision) عند كل عتبة احتمالية متمايزة يرتبها المصنف لمجموعة بيانات الاختبار. وبما أن زيادة الاستدعاء تتطلب عموماً خفض عتبة التصنيف – مما يفتح الباب لدخول مزيد من الإيجابيات الكاذبة – فإن المسار الهندسي للمنحنى يبدأ عادة من قيم دقة مرتفعة واستدعاء منخفض في أقصى يسار المخطط، ثم ينحدر تدريجياً باتجاه اليمين والأسفل مع تنامي قيم الاستدعاء وانخفاض الدقة.

يمتاز المنحنى للمصنف المثالي نظرياً بمسار يرتفع رأسياً إلى النقطة ذات الإحداثيات (Recall=1.0, Precision=1.0) في الزاوية العلوية اليمنى من المخطط، ويمتد أفقياً عبر سقف الرسم البياني. يرمز هذا السلوك الهندسي إلى قدرة النموذج الاستثنائية على تحقيق استدعاء كامل بنسبة 100% ورصد جميع الحالات الإيجابية دون ارتكاب أي خطأ إيجابي كاذب واحد، مما يجعل مساحة المنطقة المحصورة تحت هذا المنحنى تقترب من القيمة المثالية البالغة 1.0.

3.2 دلالات النقاط المختلفة على المنحنى

تحمل كل نقطة مفردة مستقرة على مسار منحنى الدقة والاستدعاء دلالة إحصائية وتشغيلية فريدة ترتبط ارتباطاً وثيقاً بعتبة قرار احتمالية معينة. يتيح الفحص المتأني لمختلف قطاعات المنحنى للمحللين تفكيك القدرة التشغيلية للمصنف بحسب متطلبات بيئة العمل الواقعية، حيث يمكن تقسيم المنحنى إلى ثلاثة نطاقات بنيوية رئيسية توضح طبيعة التضحيات الحسابية المتاحة:

• نطاق العتبات المرتفعة (أقصى يسار المنحنى): يتسم هذا القطاع بقيم استدعاء منخفضة تقابلها قيم دقة شديدة الارتفاع. في هذه المنطقة، يتعامل النموذج بحذر مفرط، حيث لا يصنف العينة كإيجابية إلا إذا توفرت أدلة إحصائية قطعية. يُعد هذا النطاق مناسباً تماماً للتطبيقات التي تجرم الخطأ الإيجابي، مثل الأنظمة الآلية لإرسال إشعارات الإفلاس المالي للشركات.
• نطاق العتبات المنخفضة (أقصى يمين المنحنى): يتسم بقيم استدعاء تقترب من 1.0 مصحوبة بهبوط حاد في الدقة. هنا يتساهل المصنف إلى أقصى حد لضمان شمول كافة الحالات الإيجابية، حتى لو أدى ذلك لتصنيف عينات سلبية كثيرة كإيجابية، وهو النطاق المفضل للفحوصات الاستكشافية الأولية للأمراض الوبائية النادرة.
• نطاق التوازن والتشغيل الأمثل (وسط المنحنى): يمثل المنطقة التي تحقق أفضل موازنة ممكنة بين المقياسين، وتُعرف بالنقطة التشغيلية المثلى (Optimal Operating Point). يتم تحديد هذه النقطة بناءً على تعظيم مؤشرات إحصائية مركبة أو دوال منفعة اقتصادية محددة.

إن التحليل البصري لمسار المنحنى يكشف أيضاً عن مدى استقرار النموذج التنبؤي؛ فالمنحنيات التي تظهر تذبذبات حادة وتعرجات غير منتظمة تشير إلى حساسية الخوارزمية المفرطة لتغيرات طفيفة في عتبة القرار، في حين تعكس المنحنيات الملساء ذات الانحدار التدريجي المنتظم نموذجاً يتمتع بقدرات تعميم إحصائية قوية ومستقرة عبر مختلف مجالات الاحتمال.

4. مقارنة منهجية بين منحنى PR ومنحنى ROC

4.1 أوجه الاختلاف في البناء الإحصائي

يُعد منحنى الخصائص التشغيلية للمستقبل (ROC Curve) أحد أقدم وأشهر الأدوات المستخدمة في تقييم أنظمة الرادار ومعالجة الإشارات، قبل أن ينتقل ليصبح معياراً كلاسيكياً في تعلم الآلة. يقوم منحنى ROC برسم المعدل الإيجابي الحقيقي (TPR – وهو مرادف تماماً للاستدعاء) على المحور الصادي مقابل المعدل الإيجابي الكاذب (FPR) على المحور السيني، حيث يُعرف هذا الأخير بالصيغة:

FPR = FP / (FP + TN)

يكمن الاختلاف الجوهري والحاسم بين المنحنيين في طريقة تعامل كل منهما مع السلبيات الحقيقية (True Negatives – TN). يدخل مقياس TN بصورة مباشرة في حساب مقام المعدل الإيجابي الكاذب (FPR) في منحنى ROC، بينما يتم استبعاده تماماً وتجاهله في حسابات مقياسي الدقة والاستدعاء اللذين يشكلان منحنى PR. هذا الاختلاف الرياضي يمنح منحنى ROC خاصية فريدة تُعرف بالثبات تحت تغير توزيع الفئات، ولكنه يجعله في الوقت ذاته غير حساس للتغيرات الكبيرة في أعداد الحالات السلبية مقارنة بالحالات الإيجابية النادرة.

توضح المقارنة الإحصائية المفصلة بين المنحنيين الأبعاد التالية:

• المحور الأفقي: يمثل في منحنى ROC معدل الإيجابيات الكاذبة (FPR)، بينما يمثل في منحنى PR الاستدعاء (Recall / TPR).
• المحور الرأسي: يمثل في منحنى ROC المعدل الإيجابي الحقيقي (TPR)، بينما يمثل في منحنى PR الدقة (Precision).
• حساسية الفئة السلبية: يتأثر منحنى ROC تأثراً مباشراً بضخامة الفئة السلبية، في حين يركز منحنى PR بالكامل على الفئة الإيجابية وسلوك النموذج حيالها.
• خط الأساس المرجعي: يمثل خط الصدفة العشوائية في منحنى ROC خطاً قطرياً ثابتاً من (0,0) إلى (1,1) بمساحة AUC تبلغ 0.5 دائماً، بينما يتغير خط الأساس في منحنى PR ليمثل نسبة الفئة الإيجابية الفعلية في البيانات (P / (P + N)).

4.2 معايير اختيار منحنى PR كأداة تقييم رئيسية

تتجلى الأفضلية المنهجية لمنحنى PR عند تقييم النماذج المبنية على مجموعات بيانات تتسم باختلال التوازن الشديد (Severe Class Imbalance). في هذه البيئات، يكون عدد الحالات السلبية الحقيقية (TN) ضخماً مقارنة بعدد الحالات الإيجابية؛ فعندما يرتكب النموذج عدداً كبيراً من الإيجابيات الكاذبة (FP – لتكن 1000 حالة مثلاً) في ظل وجود مليون عينة سلبية، فإن المعدل الإيجابي الكاذب (FPR) سيظل ضئيلاً جداً (1000 / 1,000,000 = 0.001)، مما يجعل منحنى ROC يبدو ممتزاً وخادعاً للغاية بمساحة AUC تتجاوز 0.95.

على النقيض من ذلك، فإن منحنى PR يمتلك حساسية فائقة لفضح هذا الضعف التنبؤي الكامن؛ فإذا كان إجمالي الحالات الإيجابية الحقيقية 100 حالة فقط، فإن إضافة 1000 حالة إيجابية كاذبة ستؤدي إلى انهيار مريع في مقياس الدقة ليصل إلى نحو 0.09 (أي 9% فقط). سينعكس هذا الانهيار فوراً في هبوط حاد لمنحنى PR ليقترب من القاع، مما يعطي عالم البيانات تحذيراً صريحاً وصادقاً بأن النموذج ينتج كماً هائلاً من التنبؤات الإيجابية الخاطئة التي تجعله غير صالح للاستخدام العملي.

لذلك، وضعت الأدبيات الأكاديمية والتطبيقية في حقل علوم البيانات معياراً صارماً للمفاضلة: يُفضل استخدام منحنى ROC عندما تكون الفئتان متقاربتين في الحجم وتكون الأهداف التحليلية متساوية الأهمية لكلا الفئتين السلبية والإيجابية، بينما يُعد منحنى PR الخيار الوحيد الصحيح والملزم إحصائياً عندما تكون الفئة الإيجابية نادرة وتمثل جوهر المشكلة التنبؤية، وعندما يكون تجنب الإيجابيات الكاذبة عنصراً حاسماً في تقييم جودة القرارات.

5. إعداد بيئة العمل واستيراد الحزم البرمجية في بايثون

5.1 تثبيت وضبط المكتبات الأساسية لعلوم البيانات

يتطلب البناء البرمجي المتكامل لمنحنيات الدقة والاستدعاء في لغة بايثون تهيئة بيئة عمل حسابية مستقرة تحتوي على الحزم البرمجية المعيارية المعترف بها في مجتمع التعلم الآلي. يُوصى بإنشاء بيئة افتراضية مستقلة باستخدام أدوات مثل venv أو conda لتجنب تعارض إصدارات الحزم ولضمان استقرار العمليات الحسابية وتطابق مخرجات الأكواد البرمجية عبر البيئات المختلفة.

تتألف البنية الأساسية لمعالجة هذه المهام من ثلاث مكتبات رئيسية:

• NumPy: توفر الهياكل المصفوفية عالية الأداء والعمليات الرياضية الجبرية الضرورية للتعامل مع البيانات العددية وتعديل أبعاد التنبؤات الاحتمالية.
• Scikit-Learn: تُعد المكتبة الرائدة عالمياً في تعلم الآلة في بايثون، وتتضمن الخوارزميات، ودوال التقييم، ووحدات قياس المنحنيات.
• Matplotlib: المنظومة الرسومية الأوسع استخداماً لإنشاء وتخصيص المخططات البيانية الثنائية بدقة نشر احترافية.

يمكن تثبيت هذه المنظومة البرمجية بسهولة من خلال مديري الحزم القياسيين، مع التأكد من تحديث الحزم إلى أحدث الإصدارات المستقرة لضمان الاستفادة من التحسينات الرياضية المضافة حديثاً إلى كائنات الرسم البياني والتوابع المدمجة في Scikit-Learn.

5.2 استيراد الوحدات الخاصة من مكتبة Scikit-Learn

تتميز مكتبة Scikit-Learn بتنظيم تركيبي هرمي غاية في الإحكام، حيث توزع وظائفها على وحدات تخصصية دقيقة. لبناء تدفق عمل نموذجي لإنشاء وتحليل منحنى الدقة والاستدعاء، يتطلب الأمر استيراد مكونات محددة تؤدي كل منها دوراً محورياً في سلسلة المعالجة:

يتم استيراد الأدوات البرمجية وفق المحاور الوظيفية الآتية:

• وحدة توليد البيانات (sklearn.datasets): نستورد منها الدالة المصنعية make_classification لإنشاء مجموعات بيانات تركيبية قابلة للضبط الدقيق والتحكم في درجة عدم التوازن بين فئاتها.
• وحدة تقسيم النماذج (sklearn.model_selection): نستورد الدالة train_test_split لعزل عينات التقييم عن التدريب وفق منهجية المعاينة الطبقية.
• وحدة المقاييس الإحصائية (sklearn.metrics): نستورد منها الدوال المحورية precision_recall_curve وaverage_precision_score، بالإضافة إلى كائن العرض المرئي الحديث PrecisionRecallDisplay.
• وحدة النماذج الخطية (sklearn.linear_model): نستورد مصنف LogisticRegression كنموذج إحصائي أساسي يستند إلى حساب الاحتمالات التنبؤية المستمرة.

هذا التكامل الهيكلي بين وحدات بايثون يضمن بناء كود برمجي سلس، عالي الكفاءة، وخالٍ من التعقيدات التبعية غير الضرورية، مما يمهد الطريق لتنفيذ التجارب المعملية وعرض النتائج بأعلى درجات الدقة والوضوح.

6. توليد وتجهيز مجموعة البيانات التجريبية

6.1 إنشاء بيانات تصنيف مصطنعة باستخدام make_classification

لإجراء تجربة علمية منضبطة تبرز الخصائص التشغيلية لمنحنى الدقة والاستدعاء بوضوح، يُفضل توليد مجموعة بيانات تركيبية (Synthetic Dataset) تتيح لنا التحكم الرياضي المطلق في توزيع الفئات، ومستوى الضجيج، ونقاء الميزات التوضيحية، مما يمنع التداخل الناجم عن العيوب الخفية الشائعة في البيانات الواقعية غير المنقحة.

توفر دالة make_classification في بايثون مرونة فائقة لضبط الخصائص الإحصائية للبيانات المولدة عبر معلمات بنيوية محددة:

• عدد العينات (n_samples): يُضبط على قيمة مناسبة إحصائياً (مثل 10,000 عينة) لتوفير كثافة كافية لتقدير المنحنيات بشكل أملس وخالٍ من الفجوات.
• عدد الميزات الكلي (n_features) والميزات المفيدة (n_informative): يُخصص لإنشاء فضاء رياضي متعدد الأبعاد يحتوي على متغيرات حقيقية وأخرى مشوشة أو زائدة لمحاكاة تعقيد الواقع.
• أوزان الفئات (weights): وهي المعلمة الأهم لمحاكاة مشكلة عدم التوازن؛ حيث يُضبط وزن الفئة السلبية على 0.95 بينما يُضبط وزن الفئة الإيجابية على 0.05، مما ينتج توزيعاً شديد الانحياز يحتوي على 5% فقط من الحالات الإيجابية.
• الحالة العشوائية (random_state): تثبيت البذرة العشوائية برقم ثابت (مثل 42) لضمان قابلية إعادة إنتاج النتائج الإحصائية وتماثلها التام عند إعادة تنفيذ الشفرة البرمجية.

تتيح هذه البنية المصطنعة محاكاة بيئات العمل الحساسة مثل نظم مكافحة الاحتيال البنكي، وتضع خوارزميات التصنيف تحت اختبار إحصائي حقيقي يوضح مدى كفاءتها في استخلاص الأنماط النادرة من بين ركام البيانات الشائعة.

6.2 تقسيم البيانات إلى مجموعات التدريب والاختبار

تقتضي المنهجية العلمية الصارمة في تعلم الآلة فصل البيانات المتاحة إلى مجموعتين منفصلتين تماماً: مجموعة التدريب (Training Set) التي تُستخدم لبناء وتحديث معلمات النموذج الرياضي، ومجموعة الاختبار (Testing Set) التي تُحجب كلياً عن مرحلة التدريب وتُخصص حصرياً لتقييم الأداء النهائي ومحاكاة البيانات المستقبلية غير المرئية.

عند التعامل مع فئات بيانات غير متوازنة، يبرز خطر إحصائي داهم يتمثل في إمكانية توزيع الحالات الإيجابية النادرة بشكل غير متكافئ بين مجموعتي التدريب والاختبار نتيجة للتقسيم العشوائي البسيط. قد يؤدي هذا إلى تركيز معظم الحالات النادرة في إحدى المجموعتين وإفراغ الأخرى منها، مما يتسبب في تشويه حاد لعملية التدريب والتقييم على حد سواء.

للتغلب على هذا التحدي، تُطبق استراتيجية التقسيم الطبقي (Stratified Splitting) من خلال تفعيل المعلمة stratify=y داخل دالة train_test_split. تضمن هذه الآلية الرياضية الحفاظ على النسبة المئوية الدقيقة لكل فئة (95% سلبية مقابل 5% إيجابية) داخل كل من مصفوفة التدريب ومصفوفة الاختبار بشكل متطابق، مما يحمي التجربة من أي انحياز إحصائي ناجم عن المعاينة ويوفر أساساً عادلاً لقياس دقة واستدعاء النموذج.

7. بناء وتدريب نموذج الانحدار اللوجستي (Logistic Regression)

7.1 تهيئة المعلمات الفائقة لنموذج الانحدار اللوجستي

يُعد نموذج الانحدار اللوجستي (Logistic Regression) المعيار الإحصائي الكلاسيكي ونقطة البداية المثلى لدراسة منحنيات الدقة والاستدعاء. ينبع هذا التفضيل من طبيعة النموذج الاحتمالية المتأصلة، حيث لا يكتفي بإصدار أحكام تصنيفية صلبة، بل يقوم برسم حدود قرار خطية وتمرير المخرجات عبر دالة السجمويد (Sigmoid Function) لتحويل التوليفات الخطية للميزات إلى قيم احتمالية مستمرة ومحصورة بدقة في المجال الرياضي (0, 1).

تتم تهيئة النموذج الرياضي وضبط معلماته الفائقة لتحقيق أفضل استقرار عددي أثناء مرحلة التحسين والتدريب:

• معامل التنظيم (Regularization): يُستخدم للتحكم في تعقيد النموذج وتفادي فرط المطابقة (Overfitting)، حيث يُضبط المعامل C الذي يمثل مقلوب قوة التنظيم للتحكم في مرونة حدود القرار.
• خوارزمية الحل والتحسين (Solver): يُحدد المحسن المناسب مثل lbfgs الذي يتعامل بكفاءة عالية مع مجموعات البيانات متوسطة وكبيرة الحجم ويضمن التقارب السريع لدوال الخسارة اللوجستية.
• الحد الأقصى للتكرارات (max_iter): يُرفع إلى حد كافٍ (مثل 1000 تكرار) لمنح الخوارزمية مساحة كافية للوصول إلى أدنى نقطة في دالة الخسارة وتجنب تحذيرات عدم التقارب.

تُنفذ عملية الملاءمة عبر استدعاء التابع fit(X_train, y_train)، حيث يقوم المحسن الرياضي بتقدير معاملات الانحدار (الأوزان والانحياز) التي تعظم دالة الأرجحية القصوى (Maximum Likelihood Estimation) بالاستناد إلى ميزات وأهداف مجموعة التدريب.

7.2 استخراج التنبؤات الاحتمالية من النموذج المدرب

يقع الكثير من المبتدئين في خطأ منهجي شائع عند تقييم النماذج، يتمثل في استخدام التابع القياسي predict() الذي يرجع مصفوفة من القيم الثنائية الصلبة (0 أو 1). هذا الإجراء يفرض مسبقاً عتبة قرار قطعية ثابتة عند 0.5، مما يقضي تماماً على التدرج الاحتمالي ويجعل من المستحيل رياضياً إنشاء منحنى الدقة والاستدعاء الذي يتطلب بطبيعته طيفاً متصلاً من الاحتمالات المتغيرة.

لحل هذه المعضلة، يُستخدم التابع المتخصص predict_proba(X_test)، الذي يُرجع مصفوفة ثنائية الأبعاد تحتوي على الاحتمالات المحسوبة لكل فئة على حدة. يمثل العمود الأول فيها احتمال انتمائها للفئة السلبية P(Y=0|X)، بينما يمثل العمود الثاني – وهو الهدف المنشود – احتمال انتماء العينة للفئة الإيجابية P(Y=1|X).

يتم استخلاص عمود الفئة الإيجابية بدقة وعزله في متغير مستقل يُطلق عليه عادة اسم y_scores أو y_probs عبر التقطيع المصفوفي: y_scores = model.predict_proba(X_test)[:, 1]. هذه القيم الاحتمالية المستمرة تمثل “درجات الثقة” التي يستخدمها المحلل الإحصائي لإجراء مسح تحليلي واسع النطاق يولد أزواج الدقة والاستدعاء عند كل عتبة ممكنة.

8. حساب قيم الدقة والاستدعاء عبر مختلف العتبات

8.1 تطبيق دالة precision_recall_curve برمجياً

توفر مكتبة Scikit-Learn أداة برمجية وحسابية فائقة الكفاءة تتمثل في دالة precision_recall_curve المتواجدة ضمن وحدة sklearn.metrics. تقوم هذه الدالة بتنفيذ خوارزمية فرز وحساب متقدمة تحاكي تحريك عتبة القرار عبر كافة القيم الاحتمالية الفريدة المتاحة في مصفوفة التنبؤات.

يتم استدعاء الدالة وتمرير المدخلات الأساسية إليها وفق النحو التالي:

precision, recall, thresholds = precision_recall_curve(y_test, y_scores)

تستقبل الدالة مصفوفة القيم الفعلية الحقيقية y_test ومصفوفة الدرجات الاحتمالية y_scores، وتقوم بإرجاع ثلاثة مخرجات مصفوفية مترابطة رياضياً:

• مصفوفة الدقة (precision): مصفوفة عددية أحادية البعد تحتوي على قيم الدقة المحسوبة عند كل عتبة قرار متتالية.
• مصفوفة الاستدعاء (recall): مصفوفة عددية تحتوي على قيم الاستدعاء المناظرة لنفس العتبات.
• مصفوفة العتبات (thresholds): مصفوفة مرتبة تصاعدياً تحتوي على قيم عتبات الاحتمال المستخدمة لاشتقاق التنبؤات الثنائية.

من الملاحظات البرمجية والرياضية البالغة الأهمية التي ينبغي الانتباه إليها، أن طول مصفوفة العتبات (n_thresholds) يكون دائماً أقل بمقدار عنصر واحد من طولي مصفوفتي الدقة والاستدعاء (n_thresholds + 1). تقوم الخوارزمية تلقائياً بإدراج نقطة نهائية اصطلاحية في نهاية المصفوفتين تُمثل إحداثياتها (Precision=1.0, Recall=0.0)، وهي نقطة حدية هندسية تضمن انطلاق المنحنى وإغلاقه بشكل منضبط على محاور الرسم البياني دون أن تقابلها عتبة فعلية في البيانات.

8.2 استكشاف القيم الناتجة وتحليل سلوكها

يُعد الفحص العددي للمصفوفات الناتجة خطوة تأسيسية لفهم السلوك الديناميكي للمصنف. عند تتبع قيم المصفوفات بالترتيب التصاعدي لمصفوفة العتبات، نلاحظ بوضوح تجسيداً عملياً لمبدأ المقايضة؛ فعند أدنى قيمة للعتبة، تبدأ مصفوفة الاستدعاء من قيمتها القصوى (1.0)، حيث يتم تصنيف جميع العينات كإيجابية، مما يؤدي في المقابل إلى انخفاض قيمة الدقة لتصل إلى النسبة الأساسية للفئة الإيجابية في بيانات الاختبار.

مع تزايد قيم العتبات تصاعدياً، تبدأ مصفوفة الاستدعاء في التناقص التدريجي المستمر (Monotonically Decreasing)، بينما تسلك مصفوفة الدقة مساراً صاعداً عاماً، وإن كان هذا المسار لا يتسم دائماً بالاطراد الرياضي التام؛ فقد تشهد الدقة تذبذبات موضعية طفيفة نتيجة لطبيعة التوزيع الحبيبي للاحتمالات وتغير أعداد الإيجابيات الكاذبة والحقيقية بشكل غير خطي عند الحدود الفاصلة.

تتعامل دالة بايثون بذكاء رياضي مع الحالات الحدية الخاصة؛ فعندما تصل العتبة إلى قيمة مرتفعة جداً تمنع تصنيف أي عينة كإيجابية (مما يجعل البسط والمقام في معادلة الدقة مساوياً للصفر: 0/0)، تفترض الدالة اصطلاحياً أن الدقة تساوي 1.0 والاستدعاء يساوي 0.0، مما يحمي الكود البرمجي من أخطاء القسمة على الصفر ويحافظ على الاتساق المنطقي للتحليل الإحصائي.

9. رسم منحنى الدقة والاستدعاء باستخدام مكتبة Matplotlib

9.1 البناء الأساسي للرسم البياني للمنحنى

يمثل التحويل البصري للمصفوفات الرقمية إلى مخطط بياني واضح خطوة حيوية لتمكين متخذي القرار من تقييم النموذج. تُستخدم مكتبة Matplotlib لإنشاء هذا المخطط عبر ضبط محاوره الهندسية بدقة متناهية، وتعيين الاستدعاء على المحور الأفقي والدقة على المحور الرأسي كما تقضي المعايير الإحصائية القياسية.

يتم بناء المخطط الأساسي عبر استدعاء دالة plt.plot(recall, precision)، مع تطبيق جملة من الإجراءات التنسيقية الضرورية:

• تسمية المحاور (Axis Labels): إضافة مسميات واضحة ومقروءة للمحاور مثل plt.xlabel('Recall (Sensitivity)') وplt.ylabel('Precision (Positive Predictive Value)').
• إضافة العنوان والشبكة: وضع عنوان وصفي يوضح نوع النموذج ومجموعة البيانات، وتفعيل الشبكة الإرشادية plt.grid(True, linestyle='--', alpha=0.6) لتسهيل قراءة الإحداثيات بالعين المجردة.
• تثبيت حدود المحاور (Axis Limits): يُعد ضبط حدود المحاور في النطاق [0.0, 1.05] باستخدام plt.xlim وplt.ylim خطوة منهجية لمنع برمجيات الرسم من تغيير المقياس البصري، مما يضمن اتساق المقارنات بين المخططات المختلفة.

يوفر هذا التنسيق الهندسي الصارم رؤية بصرية لا لبس فيها للمسار التشغيلي للمصنف، ويسمح بالتعرف الفوري على مقدار التحدب في المنحنى واقترابه من الزاوية العلوية اليمنى، وهو المؤشر البصري المباشر على جودة الأداء التنبؤي.

9.2 إضافة خط الأساس (Baseline) للرسم البياني

من الأخطاء التحليلية الفادحة التي يقع فيها بعض الباحثين، رسم منحنى PR دون تضمين خط الأساس المرجعي (Baseline)، أو افتراض أن خط الأساس هو خط قطري يبدأ من (0,0) وينتهي عند (1,1) كما هو الحال في منحنيات ROC. في منحنى الدقة والاستدعاء، يختلف خط الأساس اختلافاً جذرياً؛ إذ يمثل أداء المصنف العشوائي البسيط (No-Skill Classifier) الذي يتنبأ بالفئة الإيجابية بشكل أعمى لجميع العينات.

يُعرف خط الأساس رياضياً بأنه خط أفقي مستقيم موازٍ للمحور السيني يقطع المحور الصادي عند نقطة تكافئ النسبة المئوية الدقيقة لانتشار الفئة الإيجابية في مجتمع الاختبار:

Baseline = P / (P + N)

حيث P هو عدد الحالات الإيجابية وN هو عدد الحالات السلبية. فإذا كانت البيانات تحتوي على 5% من الحالات الإيجابية، فإن خط الأساس العشوائي يقع عند القيمة y = 0.05 عبر كامل نطاق الاستدعاء من 0 إلى 1.

يتم رسم هذا الخط الأفقي المرجعي برمجياً باستخدام الأمر plt.axhline(y=no_skill_score, color='navy', linestyle='--', label='No Skill Baseline'). تكمن القيمة المنهجية لهذا الخط في توفير إطار مرجعي موضوعي لقياس “القيمة المضافة” التي يقدمها نموذج تعلم الآلة؛ فكلما ارتفع منحنى النموذج الفعلي فوق هذا الخط الأفقي، كان ذلك دليلاً ساطعاً على امتلاكه قدرة تمييزية حقيقية تتجاوز بكثير مجرد التخمين العشوائي أو الانحياز لتوزيع الفئات.

9.3 تخصيص المظهر الجمالي للمخطط البياني

تقتضي المعايير الأكاديمية والمهنية المتقدمة إخراج المخططات البيانية بمظهر جمالي راقٍ يجمع بين الجاذبية البصرية والوضوح العلمي، مما يجعلها مؤهلة للنشر المباشر في الدوريات المحكمة أو التقارير التنفيذية رفيعة المستوى. يتضمن التخصيص الجمالي التحكم في سماكة الخطوط، وتناسق الألوان، وتنسيق الخطوط النصية ومربعات الإيضاح.

تشمل أفضل الممارسات لتخصيص الرسم البياني العناصر التالية:

• سماكة الخطوط والألوان: استخدام سماكة خط بارزة (مثل lw=2.5) مع اختيار لوحات ألوان متباينة وصديقة لعمى الألوان (Colorblind-Friendly Palettes) مثل ألوان Seaborn أو الألوان القياسية الداكنة.
• مربع وسيلة الإيضاح (Legend): ضبط موضع صندوق الإيضاح بدقة في مكان لا يحجب المنحنيات (مثل الزاوية السفلية اليسرى loc='lower left') مع تضمين درجات المساحة تحت المنحنى داخل النصوص التوضيحية.
• تصدير المخطط بدقة عالية: حفظ المخطط النهائي برمجياً بصيغ متجهة عالية الجودة أو بصيغة PNG بكثافة نقطية مرتفعة لا تقل عن 300 نقطة في البوصة عبر الأمر plt.savefig('pr_curve.png', dpi=300, bbox_inches='tight') لضمان الحفاظ على حدة التفاصيل عند الطباعة والتكبير.

إن العناية بهذه التفاصيل الجمالية والتقنية ترتقي بالتحليل البياني من مجرد رسم توضيحي بسيط إلى أداة تواصل علمي فعالة تنقل الرؤى الإحصائية المعقدة بسلاسة ووضوح لكافة الأطراف المعنية.

10. استخدام أدوات Scikit-Learn المتقدمة للتصوير المرئي

10.1 تطبيق فئة PrecisionRecallDisplay المباشرة

في إطار التطوير المستمر لتبسيط الشفرات البرمجية وتقليل احتمالات الخطأ اليدوي، أدخلت مكتبة Scikit-Learn كائناً متقدماً وموحداً للتصوير المرئي يُعرف بالفئة PrecisionRecallDisplay. تتيح هذه الفئة الحديثة تجريد الخطوات المتعددة لحساب المصفوفات وتنسيق المحاور واختصارها في أسطر برمجية معدودة وعالية الكفاءة.

توفر هذه الفئة تابعين مصنعيين ثابتين يلبيان مختلف سيناريوهات العمل:

• التابع PrecisionRecallDisplay.from_estimator: يتولى هذا التابع إدارة تدفق العمل بالكامل بصورة تلقائية؛ حيث يُمرر إليه النموذج المدرب مسبقاً مع مصفوفات الاختبار (X_test, y_test). يتكفل التابع باستخراج التنبؤات الاحتمالية، وحساب أزواج الدقة والاستدعاء، وحساب متوسط الدقة (Average Precision)، ورسم المخطط البياني المكتمل مع وسيلة الإيضاح بطلب استدعاء واحد.
• التابع PrecisionRecallDisplay.from_predictions: يُستخدم عندما تكون التنبؤات الاحتمالية محسوبة مسبقاً أو صادرة عن نماذج خارجية غير متوافقة مع واجهة Scikit-Learn (مثل نماذج PyTorch أو TensorFlow). يستقبل التابع القيم الحقيقية والاحتمالات مباشرة ويقوم بإنشاء المخطط بنفس الكفاءة التلقائية.

تتميز هذه الأدوات المدمجة بدمج قيمة مقياس متوسط الدقة (AP) تلقائياً داخل صندوق الإيضاح، مما يمنح المطورين حلاً برمجياً أنيقاً يجمع بين الحساب الرياضي الدقيق والعرض البصري الاحترافي في آن واحد.

10.2 مقارنة عدة نماذج تصنيف على نفس المخطط البياني

تتمثل إحدى أقوى المزايا التحليلية لمنحنى الدقة والاستدعاء في قدرته على إجراء مقارنة بصرية ومعيارية مباشرة بين عدة خوارزميات تعلم آلة متنافسة على نفس فضاء الرسم البياني. يتيح هذا النهج التنافسي للباحثين معاينة نقاط القوة والضعف النسبية لكل مصنف عبر كامل نطاق الحساسية التشغيلية.

لتنفيذ هذه المقارنة عملياً، يتم تدريب حزمة متنوعة من الخوارزميات الإحصائية على نفس بيانات التدريب، مثل:

• الانحدار اللوجستي (Logistic Regression): كنموذج خطي مرجعي سريع ومفسر.
• الغابات العشوائية (Random Forest Classifier): كنموذج تجميعي غير خطي يعتمد على أشجار القرار المتعددة ويمتاز بمقاومته للضجيج.
• مصنف المتجهات الداعمة (Support Vector Classifier – SVC): بقدرته الفائقة على إيجاد هوامش الفصل المثلى في الفضاءات التحويلية.

تُجمع منحنيات هذه النماذج المتعددة برمجياً من خلال تمرير كائن المحاور الرياضي المشترك ax=plt.gca() إلى التابع PrecisionRecallDisplay.from_estimator الخاص بكل نموذج على حدة. يتيح المخطط المشترك الناتج رؤية واضحة لأي تقاطعات هندسية بين المنحنيات؛ فقد يتفوق نموذج الغابات العشوائية في نطاقات الاستدعاء المرتفعة، بينما يظهر نموذج الانحدار اللوجستي استقراراً أعلى في نطاقات الدقة الفائقة، مما يزود مهندسي النظم بالمعلومات اللازمة لاختيار النموذج الأنسب للقيود التشغيلية المحددة أو لبناء نماذج هجينة (Ensemble Models) تدمج مزايا الجميع.

11. حساب وتفسير المساحة تحت المنحنى (PR-AUC ومتوسط الدقة AP)

11.1 المفهوم الرياضي لمقياس متوسط الدقة (Average Precision)

على الرغم من الأهمية البالغة للفحص البصري للمنحنيات، إلا أن المقارنات المنهجية والأتمتة البرمجية تتطلب في كثير من الأحيان اختزال المنحنى الكامل في مؤشر رقمي تلخيصي مفرد يعبر عن الأداء الإجمالي للمصنف عبر كافة العتبات. يمثل مقياس متوسط الدقة (Average Precision – AP) ومقياس المساحة تحت منحنى الدقة والاستدعاء (PR-AUC) التجسيد الرياضي لهذا المفهوم التلخيصي.

يُعرف مقياس متوسط الدقة (AP) رياضياً بأنه الوسط الحسابي المرجح لقيم الدقة المحسوبة عند كل عتبة، حيث يُستخدم مقدار الزيادة والانتقال في الاستدعاء كوزن ترجيحي. تتم صياغته التحليلية وفق المعادلة التالية:

AP = Σ (R_n – R_{n-1}) * P_n

حيث يمثل P_n و R_n قيم الدقة والاستدعاء عند عتبة القرار رقم n. يمثل هذا التعبير الرياضي تقريباً تكاملياً لدالة المنحنى بنظام المجاميع المستطيلة (Riemann Sum)، حيث يزن الدقة بمقدار الحالات الإيجابية الحقيقية الإضافية التي تمكن النموذج من رصدها عند الانتقال من عتبة إلى أخرى.

يُحسب هذا المقياس في بايثون بدقة فائقة عبر استدعاء الدالة average_precision_score(y_test, y_scores). وتجدر الإشارة إلى وجود فارق دقيق في الحساب العددي بين دالة average_precision_score التي تعتمد على الاستيفاء الخطي المتقطع من اليمين (Step-wise Interpolation)، وتطبيق قاعدة شبه المنحرف التكاملية عبر دالة auc(recall, precision)؛ حيث توصي الأدبيات الإحصائية المعاصرة بالاعتماد على دالة AP لأن قاعدة شبه المنحرف قد تعطي تقديرات مفرطة في التفاؤل بسبب التحدب الحاد لمنحنيات PR بين النقاط المتباعدة.

11.2 تفسير القيم العددية للـ PR-AUC في سياق تقييم النماذج

يتطلب التفسير الإحصائي السليم لقيمة PR-AUC أو AP إدراكاً عميقاً للسياق التوزيعي للبيانات؛ فالقيمة القصوى المطلقة للمقياس هي 1.0، وهي تمثل المصنف الكامل الخالي من أي أخطاء تصنيفية عند جميع مستويات الاستدعاء. ومع ذلك، فإن القيمة الدنيا المرجعية (التي توازي خط الصدفة) لا تساوي 0.5 كما هو معتاد في مقياس ROC-AUC، بل تكافئ تماماً نسبة انتشار الفئة الإيجابية الأساسية في مجتمع البيانات (Prevalence).

يترتب على هذه الحقيقة الرياضية مجموعة من القواعد التفسيرية الجوهرية:

• نسبية التقييم: إذا كانت نسبة الفئة الإيجابية في مجموعة البيانات هي 1% (Prevalence = 0.01)، فإن حصول نموذج ما على درجة AP قدرها 0.35 يُعد إنجازاً تنبؤياً استثنائياً؛ لأنه يمثل تحسناً بمقدار 35 ضعفاً عن الأداء العشوائي البسيط، في حين أن نفس هذه القيمة (0.35) قد تُعتبر أداءً رديئاً للغاية إذا كانت نسبة الفئة الإيجابية في البيانات الأصلية 40%.
• المفاضلة المستقلة: يُعد مقياس PR-AUC أداة مثالية للمفاضلة بين نماذج متعددة طُبقت على نفس مجموعة الاختبار ذات التوزيع الثابت، حيث يشير النموذج ذو المساحة الأكبر إلى قدرة عامة أعلى على عزل الفئة النادرة بنقاء إحصائي متفوق.
• محاذير المقارنة عبر مجموعات بيانات مختلفة: يُحظر إحصائياً استخدام درجات PR-AUC لمقارنة أداء النماذج عبر مجموعات بيانات ذات توزيعات مسبقة متباينة؛ إذ إن التغير في معدل انتشار الفئة يؤدي تلقائياً إلى إزاحة خط الأساس الرياضي وتغيير قيم التكامل بصورة مستقلة عن كفاءة الخوارزمية ذاتها.

إن استيعاب هذه المحددات الإحصائية يمنح علماء البيانات القدرة على قراءة المؤشرات الرقمية بحس نقدي ناضج، وتجنب الوقوع في فخ التقييمات السطحية التي قد تقود إلى قرارات تشغيلية خاطئة في بيئات الإنتاج الفعلية.

12. التطبيقات المتقدمة وأفضل الممارسات لاختيار عتبة القرار المثلى

12.1 منهجيات تحديد العتبة التنبؤية المثلى برمجياً

يمثل إنشاء منحنى الدقة والاستدعاء وحساب مساحته خطوة تشخيصية كاشفة، لكن الهدف النهائي في المشاريع الصناعية والتطبيقية هو اختيار عتبة قرار تنبؤية محددة (Optimal Threshold) لتحويل الاحتمالات المستقبلية إلى قرارات تنفيذية حاسمة. لا توجد عتبة واحدة “مثالية” تناسب جميع المشكلات، بل يتم اشتقاق العتبة المثلى رياضياً وفق أهداف المشروع ومعايير التكلفة والمنفعة المعتمدة.

تتضمن المنهجيات المتقدمة لاختيار العتبة التنبؤية برمجياً الطرق التالية:

• تعظيم مؤشر F-score المتوازن (F1 Optimization): يتم البحث في مصفوفات الدقة والاستدعاء المحسوبة عن النقطة التي تحقق أعلى قيمة لمقياس F1-Score عبر كتابة دالة حسابية تبحث عن المؤشر الأقصى: optimal_idx = np.argmax(2 * (precision * recall) / (precision + recall + 1e-10))، ثم استخراج العتبة المقابلة optimal_threshold = thresholds[optimal_idx].
• استخدام مقياس F-beta لترجيح الأهداف: إذا كانت استعادة الحالات الإيجابية أهم من نقائها، يُستخدم مقياس F-beta (مع ضبط بيتا = 2 مثلاً لترجيح الاستدعاء)، أو (بيتا = 0.5 لترجيح الدقة) لاختيار عتبة تشغيلية متحيزة بوعي نحو الهدف الاستراتيجي للمؤسسة.
• مصفوفة التكلفة والمنفعة الاقتصادية (Cost-Benefit Matrix): يُخصص وزن مالي لكل نتيجة من النتائج الأربع (TP, FP, TN, FN)؛ على سبيل المثال، احتساب تكلفة الإنذار الكاذب (FP) بمبلغ 10 دولارات، وتكلفة إغفال الاحتيال (FN) بمبلغ 500 دولار. يتم بعد ذلك إجراء مسح برمجي شامل لحساب إجمالي الخسائر المالية المتوقعة عند كل عتبة واختيار العتبة التي تدني الخسارة الاقتصادية الكلية إلى حدها الأدنى.

إن تحويل مخرجات منحنى PR إلى قرارات عتبية محسوبة رياضياً واقتصادياً يربط نماذج تعلم الآلة بالواقع الميداني، ويضمن تسخير القدرات الحسابية لخدمة الأهداف التشغيلية بكفاءة ومسؤولية.

12.2 توصيات منهجية لتطبيق منحنى PR في البيئات الإنتاجية

عند نقل النماذج التنبؤية من بيئة التجارب المعملية إلى منصات الإنتاج المؤتمتة الحية، تبرز تحديات جديدة تتعلق بمدى استقرار وموثوقية عتبات الدقة والاستدعاء المختارة في مواجهة تدفقات البيانات الحقيقية المتغيرة باستمرار. لضمان صمود النماذج في بيئات العمل الحساسة، ينبغي الالتزام بمجموعة من التوصيات الهندسية والإحصائية الصارمة:

تتضمن أفضل الممارسات المنهجية الخطوات التشغيلية الآتية:

• التحقق المتقاطع التجميعي (Stratified Cross-Validation): يُنصح بحساب منحنيات PR عبر طيات التحقق المتقاطع المتعددة (K-Fold)، ورسم حزمة المنحنيات مع حساب متوسط المسار ومجال الثقة الإحصائي (Confidence Interval) لتقييم تباين النموذج والتأكد من عدم اعتماده المفرط على تجزئة معينة للبيانات.
• معايرة الاحتمالات التنبؤية (Probability Calibration): تعاني بعض النماذج المعقدة (مثل النماذج الشجرية المعززة والشبكات العصبية العميقة) من تشوه في تقدير الاحتمالات، حيث تميل إلى الإفراط في الثقة. يُوصى بتطبيق تقنيات المعايرة مثل Isotonic Regression أو Platt Scaling قبل حساب منحنى PR لضمان التوافق بين الاحتمالات التقديرية ومعدلات الحدوث الواقعية.
• مراقبة انزلاق التوزيع (Data and Concept Drift): في البيئات الديناميكية، قد يتغير المعدل الأساسي لانتشار الفئة الإيجابية بمرور الوقت (مثل ظهور أنماط احتيال جديدة أو تغير سلوك المستهلكين). يؤدي هذا التغير إلى تحرك خط الأساس وتآكل كفاءة عتبة القرار القديمة، مما يفرض بناء نظم مراقبة مؤتمتة تعيد تقييم منحنى PR وتحدث العتبات التشغيلية بصفة دورية.
• التوثيق الإحصائي لمعايير القرار: يجب توثيق الأسباب الرياضية والاقتصادية التي بُني عليها اختيار عتبة التشغيل بشكل كامل في السجلات الهندسية للنظام، مما يدعم مبادئ الحوكمة والشفافية وقابلية التدقيق في أنظمة الذكاء الاصطناعي المسؤولة.

إن تبني هذه الممارسات المتكاملة يحول منحنى الدقة والاستدعاء من مجرد تمرين برمجي أكاديمي إلى ركيزة هندسية يعتمد عليها استقرار وموثوقية حلول تعلم الآلة في كبرى المؤسسات الصناعية والتقنية المعاصرة.

الخاتمة

استعرضنا في هذا الدليل الشامل الأبعاد النظرية والتطبيقية لإنشاء وتحليل منحنى الدقة والاستدعاء (Precision-Recall Curve) في لغة بايثون، مبرزين دوره المحوري كأداة تقييم متقدمة لا غنى عنها عند التعامل مع مجموعات البيانات ذات الفئات غير المتوازنة. لقد اتضح لنا بجلاء كيف تفقد المقاييس التقليدية – كالدقة العامة ومنحنيات ROC – قدرتها على تقديم أحكام منصفة في بيئات البيانات النادرة، في حين يمنحنا منحنى PR رؤية مجهرية دقيقة تكشف سلوك النموذج التنبؤي تجاه الفئة الإيجابية عبر سائر عتبات القرار الاحتمالية الممكنة.

من خلال استثمار الإمكانات البرمجية الهائلة لمكتبات Scikit-Learn وMatplotlib وNumPy، تمكنا من تتبع تدفق العمل المنهجي خطوة بخطوة؛ بدءاً من توليد وتجهيز البيانات المعقدة طبقياً، وتدريب النموذج اللوجستي واستخلاص درجاته الاحتمالية، مروراً بالحساب الرياضي الدقيق للمصفوفات ورسم المخططات البيانية المكتملة بعناصرها الإرشادية وخطوط أساسها الموضوعية، وصولاً إلى استيعاب مقياس متوسط الدقة (AP) وتطبيق منهجيات التحسين الآلي لاختيار عتبة التشغيل المثلى التي توازن بين المتطلبات الإحصائية والقيود الاقتصادية والتشغيلية.

في الختام، يجب التأكيد على أن التميز في بناء نماذج تعلم الآلة لا يقتصر على ابتكار خوارزميات معقدة أو استخدام موارد حوسبة فائقة، بل يعتمد في جوهره على النضج المنهجي في تقييم النتائج وفهم المقايضات الإحصائية الكامنة وراء كل قرار تنبؤي. إن الفهم العميق لمنحنيات الدقة والاستدعاء وتطبيقها الصارم في المشاريع الإنتاجية يمثل الضمانة الحقيقية لتطوير حلول برمجية تتسم بالمتانة، والأمان، والقدرة الفائقة على حل أعقد المشكلات في شتى مجالات الصناعة والأبحاث المعاصرة.

المراجع

• Davis, J., & Goadrich, M. (2006). The relationship between Precision-Recall and ROC curves. In Proceedings of the 23rd international conference on Machine learning (pp. 233-240). ACM. https://doi.org/10.1145/1143844.1143874
• Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874. https://doi.org/10.1016/j.patrec.2005.10.010
• Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830. https://scikit-learn.org/
• Saito, T., & Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLOS ONE, 10(3), e0118432. https://doi.org/10.1371/journal.pone.0118432
• Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90-95. https://doi.org/10.1109/MCSE.2007.55
• He, H., & Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239
• Flach, P., & Kull, M. (2015). Precision-Recall-Gain curves: PR analysis done right. In Advances in Neural Information Processing Systems (Vol. 28, pp. 838-846). Curran Associates, Inc. https://papers.nips.cc/paper/2015/hash/33e8075e9f82e3a7f13973d479a65f2d-Abstract.html