ما الذي يعتبر درجة F1 “جيدة”؟

يمثل تقييم أداء خوارزميات تعلم الآلة (Machine Learning) أحد أكثر التحديات المنهجية إلحاحاً وتعقيداً في حقل علوم البيانات المعاصرة؛ إذ لا يتوقف نجاح أي نموذج تنبؤي على قدرته الحسابية في استخلاص الأنماط من البيانات التدريبية فحسب، بل يمتد بصورة جوهرية إلى مدى كفاءة المقاييس الإحصائية المستخدمة في قياس دقته وموثوقيته عند اختباره على بيانات واقعية غير مرئية. وفي هذا السياق المعرفي، يبرز التساؤل الجوهري الذي يواجه المهندسين والباحثين وصناع القرار على حد سواء: ما الذي يعتبر درجة F1 “جيدة”؟ وهو تساؤل يبدو في ظاهره بسيطاً ومباشراً، إلا أنه ينطوي على تعقيدات بنيوية ونظرية وسياقية متعددة الأبعاد تجعل من المستحيل تقديم إجابة رقمية قاطعة بمعزل عن طبيعة المشكلة المدروسة، وتوزيع البيانات، وتكلفة القرارات الخاطئة في بيئة التشغيل الفعلية.

تكمن المعضلة الأساسية في تقييم النماذج في أن المقاييس الإحصائية التقليدية، وعلى رأسها مقياس الدقة الإجمالية (Accuracy)، تعاني من قصور فادح ومضلل عند تطبيقها على مجموعات البيانات الحقيقية التي تتسم غالباً باختلال التوازن بين الفئات (Class Imbalance). ومن هنا نشأت الحاجة الرياضية لتطوير مقاييس مركبة قادرة على التوفيق بين متطلبات متناقضة، وهو ما جسده مقياس F1 (F1-Score) باعتباره وسيطاً توافقياً يجمع بين الدقة الإيجابية (Precision) والاستدعاء (Recall). ورغم المكانة المركزية التي يحتلها هذا المقياس في الأدبيات الأكاديمية والتطبيقية، فإن تحديد العتبة الفاصلة بين الأداء “الجيد” و”الضعيف” يظل مسألة نسبية تخضع لمعايير صارمة تفرضها بيئة التطبيق؛ فالدرجة التي تُعد إنجازاً مبهراً في مجال التنبؤ بالسلوك البشري أو اكتشاف المعاملات الاحتيالية النادرة قد تُعد إخفاقاً كارثياً وغير مقبول على الإطلاق في بيئات التشخيص الطبي للأورام الخبيثة أو أنظمة الملاحة في المركبات ذاتية القيادة.

يهدف هذا الدليل المرجعي الشامل إلى تفكيك مقياس F1 تأصيلياً وتطبيقياً، بدءاً من أسسه الرياضية والمنطقية، مروراً بتحليل مكوناته التفصيلية ودلالات نطاقه الرقمي، وصولاً إلى استعراض العوامل السياقية والهندسية التي تحكم تفسير نتائجه في شتى القطاعات الصناعية والبحثية. وسيقدم المقال تحليلاً نقدياً متعمقاً للإجابة عن تساؤل “الجودة” الإحصائية، معززاً بدراسات حالة واقعية، ونماذج رياضية، واستراتيجيات عملية تتيح للممارسين ليس فقط قياس درجاتهم بدقة، بل وتحسينها وتكييفها بما يخدم أهدافهم التطبيقية الاستراتيجية بأعلى درجات الموثوقية العلمية.

1. مقدمة تأصيلية: ما هو مقياس F1 ولماذا نستخدمه في تقييم النماذج؟

1.1 المفهوم الرياضي والمنطقي لمقياس F1

يُعرف مقياس F1 في الأدبيات الإحصائية ونظرية استرجاع المعلومات بأنه معيار مركب وموحد صُمم خصيصاً لتقييم كفاءة نماذج التصنيف الإحصائي (Classification)، سواء في سياق التصنيف الثنائي (Binary Classification) أو التصنيف متعدد الفئات (Multi-class Classification). يقوم البناء الرياضي لمقياس F1 على فكرة دمج مؤشرين رئيسيين ومستقلين للأداء هما: الدقة الإيجابية (Precision) ومعدل الاستدعاء أو الحساسية (Recall)، وذلك في رقم مفرد يتراوح نظرياً بين الصفر والواحد الصحيح. يعكس هذا المقياس جودة التنبؤ الإجمالية للفئة المستهدفة، حيث يعبر عن مدى قدرة الخوارزمية على حصر الحالات الموجبة بدقة دون الوقوع في فخ التنبؤات الزائفة.

تاريخياً، ارتبط ظهور مقياس F1 بأعمال الباحثين في مجال استرجاع المعلومات واللغويات الحاسوبية، حيث كان الهدف الأساسي هو إيجاد صيغة رياضية تمنع النماذج من تحقيق تفوق وهمي عبر التضحية بأحد جوانب الأداء لصالح الآخر. فالنموذج الذي يتنبأ بإيجابية جميع الحالات بشكل عشوائي قد يحقق استدعاءً كاملاً بنسبة 100%، لكن دقته الإيجابية ستنهار تماماً؛ والعكس صحيح، فالنموذج شديد التحفظ الذي يكتفي بالتنبؤ بحالة واحدة مؤكدة فقط سيحقق دقة 100% مع انهيار شبه كامل في الاستدعاء. من هنا، يمثل مقياس F1 التجسيد الرياضي للوسط التوافقي (Harmonic Mean) بين هذين المتغيرين، مما يضمن ألا يحصل النموذج على درجة F1 مرتفعة إلا إذا حقق توازناً حقيقياً ومتزامناً بين قدرته على تجنب الإنذارات الكاذبة وقدرته على اكتشاف الحالات الإيجابية الفعلية.

1.2 المقارنة المنهجية بين مقياس الدقة الإجمالية (Accuracy) ومقياس F1

تُعد الدقة الإجمالية (Accuracy) المقياس الأكثر بديهية وشيوعاً عند المبتدئين في علوم البيانات، حيث تُحسب ببساطة كنسبة بين إجمالي التنبؤات الصحيحة (سواء كانت موجبة أو سالبة) إلى إجمالي العينات المفحوصة. ومع ذلك، تكشف الممارسة التطبيقية والتحليل الإحصائي المتقدم عن قصور منهجي فادح في مقياس الدقة الإجمالية عندما تكون البيانات غير متوازنة (Imbalanced Datasets)، وهي السمة الغالبة على معظم مجموعات البيانات الواقعية مثل الكشف عن الاحتيال المصرفي، أو تشخيص الأمراض النادرة، أو رصد الهجمات السيبرانية الخبيثة.

تتجلى هذه الإشكالية بوضوح فيما يُعرف إحصائياً بـ “مفارقة الدقة” (Accuracy Paradox). لنفترض أن لدينا قاعدة بيانات طبية تحتوي على 1,000 مريض، من بينهم 10 مرضى فقط مصابون بورم خبيث نادر (أي بنسبة 1%)، بينما 990 مريضاً أصحاء (99%). إذا قمنا ببناء نموذج بدائي أو “ساذج” يقوم دائماً وبلا استثناء بتوقع أن المريض “سليم”، فإن هذا النموذج سيحقق دقة إجمالية مذهلة تصل إلى 99%. ورغم هذا الرقم الباهر ظاهرياً، فإن النموذج عديم الفائدة تماماً من الناحية العملية والطبية، لأنه فشل في اكتشاف أي مريض من المصابين بالفعل، مما قد يؤدي إلى عواقب وخيمة على حياة المرضى. هنا يبرز مقياس F1 كحل منهجي قاطع، حيث ستكون قيمته في هذه الحالة صفراً مطلقاً (F1 = 0)، مما يكشف الانهيار التام لكفاءة النموذج ويعري الزيف الإحصائي الذي يقدمه مقياس الدقة الإجمالية.

1.3 لماذا يُعد الوسط التوافقي خياراً مثالياً للجمع بين المتغيرات؟

يثور تساؤل رياضي جوهري في بنية مقاييس الأداء: لماذا نلجأ إلى استخدام الوسط التوافقي (Harmonic Mean) لحساب مقياس F1 بدلاً من استخدام الوسط الحسابي البسيط (Arithmetic Mean) أو الوسط الهندسي (Geometric Mean)؟ تكمن الإجابة في الخصائص الجبرية والتحليلية الفريدة للوسط التوافقي. في الرياضيات، يُعرف الوسط التوافقي لعددين بأنه مقلوب المتوسط الحسابي لمقلوبي هذين العددين، وصيغته: 2 / ((1 / Precision) + (1 / Recall))، والتي تُختصر جبرياً إلى الصيغة الشهيرة: 2 * (Precision * Recall) / (Precision + Recall).

الخاصية الحاسمة في الوسط التوافقي هي ميله القوي والدائم نحو القيمة الأدنى بين المتغيرين، حيث يفرض عقوبة رياضية قاسية وفورية (Severe Penalty) على النماذج التي تعاني من اختلال التوازن بين الدقة والاستدعاء. فإذا كانت الدقة الإيجابية للنموذج تساوي 1.0 (100%) وكان الاستدعاء منخفضاً جداً ويساوي 0.0 (0%)، فإن الوسط الحسابي البسيط سيعطي نتيجة مضللة مقدارها 0.50 (50%)، مما يوحي بوجود أداء متوسط للنموذج؛ في المقابل، فإن مقياس F1 المبني على الوسط التوافقي سيهبط فوراً إلى 0.0. وبالمثل، إذا كانت الدقة 0.90 والاستدعاء 0.10، فإن الوسط الحسابي يعطي 0.50، بينما يعطي مقياس F1 قيمة متدنية جداً تبلغ 0.18. هذا السلوك الرياضي يضمن للباحثين والمطورين أن تحقيق درجة F1 مرتفعة، مثل 0.85 فما فوق، يتطلب بالضرورة أن تكون كل من الدقة والاستدعاء مرتفعتين بشكل متقارب ومتوازن، مما يجعل مقياس F1 معياراً صارماً وموثوقاً لتقييم الكفاءة المتكاملة للنظم الذكية.

2. المكونات الأساسية لحساب مقياس F1: الدقة الإيجابية والاستدعاء

2.1 تفكيك مصفوفة الارتباك (Confusion Matrix)

تُعد مصفوفة الارتباك (Confusion Matrix) حجر الزاوية والقاعدة البنيوية الأساسية التي تُشتق منها كافة مقاييس الأداء في نماذج التصنيف. تتألف مصفوفة الارتباك في التصنيف الثنائي من جدول ثنائي الأبعاد يرسم التقاطعات المباشرة بين القيم الحقيقية المسجلة في الواقع (Ground Truth) والقيم التنبؤية التي أصدرها النموذج الإحصائي. ينقسم هذا الجدول إلى أربع خلايا احتمالية رئيسية تعبر عن كافة المخرجات الممكنة للتنبؤ:

• الإيجابيات الحقيقية (True Positives – TP): تمثل عدد الحالات التي توقعها النموذج بأنها إيجابية وكانت بالفعل إيجابية في الواقع (مثل تشخيص مريض مصاب بأنه مريض بالفعل).
• السلبيات الحقيقية (True Negatives – TN): تمثل عدد الحالات التي توقعها النموذج بأنها سلبية وكانت بالفعل سلبية وسليمة في الواقع (مثل تشخيص شخص سليم بأنه غير مصاب).
• الإيجابيات الكاذبة (False Positives – FP): تُعرف إحصائياً بـ “خطأ النوع الأول” (Type I Error)، وتحدث عندما يتوقع النموذج أن الحالة إيجابية بينما هي في الواقع سلبية (مثل إطلاق إنذار كاذب بوجود حريق أو تشخيص شخص معافى بأنه مريض).
• السلبيات الكاذبة (False Negatives – FN): تُعرف بـ “خطأ النوع الثاني” (Type II Error)، وتحدث عندما يتوقع النموذج أن الحالة سلبية بينما هي في الواقع إيجابية وحرجة (مثل فشل النظام في رصد عملية اختراق سيبراني، أو تصنيف مريض بورم سرطاني على أنه سليم).

تشكل هذه الخلايا الأربع الأساس الرقمي لكافة العمليات الحسابية اللاحقة، حيث ترتبط الدقة الإيجابية ارتباطاً وثيقاً بخلايا (TP) و(FP)، بينما يرتبط الاستدعاء ارتباطاً وثيقاً بخلايا (TP) و(FN)، وهو ما يجعل فهم التفاعل الداخلي بين هذه المكونات مدخلاً لا غنى عنه لتفكيك وفهم مقياس F1.

2.2 حساب الدقة الإيجابية (Precision) وتفسيرها الإحصائي

تُعنى الدقة الإيجابية (Precision)، والتي يُطلق عليها أيضاً في بعض المراجع مصطلح “القيمة التنبؤية الإيجابية” (Positive Predictive Value)، بالإجابة عن التساؤل البديهي التالي: “من بين جميع الحالات التي صنفها النموذج على أنها إيجابية، ما هي النسبة المئوية للحالات التي كانت إيجابية بالفعل في الواقع؟” تُحسب الدقة الإيجابية رياضياً بقسمة عدد الإيجابيات الحقيقية على إجمالي التنبؤات الإيجابية الصادرة عن النموذج، وفق المعادلة التالية:

Precision = TP / (TP + FP)

تكتسب الدقة الإيجابية أهمية استثنائية وقصوى في التطبيقات والبيئات التشغيلية التي تكون فيها تكلفة الإيجابيات الكاذبة (الإنذارات الخاطئة) باهظة ومكلفة مادياً أو معنوياً. ومن أبرز الأمثلة العملية على ذلك أنظمة تصفية البريد العشوائي (Spam Detection)؛ فإذا قام النموذج بتصنيف بريد إلكتروني تجاري غير مرغوب فيه على أنه بريد سليم (سلبية كاذبة)، فإن العواقب تظل طفيفة وتقتصر على إزعاج طفيف للمستخدم. ولكن إذا قام النموذج بتصنيف رسالة عمل مصيرية أو عرض توظيف على أنها بريد عشوائي ونقلها إلى سلة المحذوفات (إيجابية كاذبة)، فقد يترتب على ذلك خسائر مالية فادحة أو تفويت فرص وظيفية حاسمة. وبالمثل، في أنظمة حظر الحسابات المصرفية المشبوهة، يتطلب الأمر دقة إيجابية بالغة الارتفاع لتفادي تجميد أموال العملاء الأبرياء دون مسوغ قانوني قاطع.

2.3 حساب الاستدعاء أو الحساسية (Recall / Sensitivity) ودلالاتها

في المقابل، يركز الاستدعاء (Recall)، المعروف في العلوم الطبية والإحصاء الحيوي بالحساسية (Sensitivity) أو “معدل الإيجابيات الحقيقية” (True Positive Rate)، على الإجابة عن التساؤل الموازي: “من بين جميع الحالات الإيجابية الموجودة فعلياً في الواقع، ما هي النسبة المئوية للحالات التي نجح النموذج في رصدها والتعرف عليها بشكل صحيح؟” تُحسب الحساسية أو الاستدعاء رياضياً بقسمة عدد الإيجابيات الحقيقية على إجمالي الحالات الإيجابية الفعلية الموجودة في مجموعة البيانات، وتُصاغ رياضياً كالتالي:

Recall = TP / (TP + FN)

يمثل الاستدعاء صمام الأمان المعياري في التطبيقات الحرجة وعالية الخطورة التي لا تحتمل إغفال أي حالة موجبة، وحيث تكون تكلفة السلبيات الكاذبة (FN) مدمرة ولا يمكن تعويضها. تتجسد هذه الأهمية القصوى في نظم التشخيص الطبي للأمراض المزمنة والأوبئة الفتاكة؛ فإن إخبار مريض مصاب بمرض قلبي حاد أو ورم سرطاني بأنه سليم ومعافى (سلبية كاذبة) يؤدي حتماً إلى تأخر التدخل العلاجي وتفاقم الحالة المرضية وصولاً إلى الوفاة المحققة. وفي السياق الأمني والعسكري، يُعد استدعاء منظومات الدفاع الجوي ورصد الطائرات المسيرة أمراً مصيرياً، حيث يُفضل القادة العسكريون تلقي عدة إنذارات كاذبة (انخفاض الدقة) على أن تفشل المنظومة في رصد هدف معادٍ حقيقي واحد يخترق المجال الجوي (انخفاض الاستدعاء).

2.4 المقايضة الرياضية والتطبيقية بين الدقة والاستدعاء (Precision-Recall Trade-off)

تواجه خوارزميات التعلم الآلي في جوهرها حقيقة إحصائية لا مفر منها تُعرف بـ “المقايضة بين الدقة والاستدعاء” (Precision-Recall Trade-off). تنبع هذه المقايضة من حقيقة أن معظم نماذج التصنيف لا تصدر حكماً قاطعاً ومباشراً (0 أو 1)، بل تقوم بتقدير احتمالية رياضية لانتماء العينة إلى الفئة الإيجابية، ثم يتم تطبيق “عتبة تصنيف” (Classification Threshold) محددة مسبقاً—تبلغ افتراضياً 0.50—لتحويل الاحتمال المستمر إلى تصنيف فئوي حاسم.

عندما نقوم بزيادة عتبة التصنيف (مثلاً من 0.50 إلى 0.85)، يصبح النموذج شديد التحفظ والصرامة، ولا يُقدم على تصنيف أي حالة كإيجابية إلا إذا كانت احتمالية انتمائها فائقة التأكيد؛ يؤدي هذا الإجراء المنهجي إلى تقليل الإيجابيات الكاذبة بشكل جذري وبالتالي رفع الدقة الإيجابية (Precision)، ولكن على حساب زيادة السلبيات الكاذبة وانخفاض معدل الاستدعاء (Recall). وعلى العكس تماماً، إذا قمنا بخفض عتبة التصنيف (مثلاً إلى 0.20)، يصبح النموذج أكثر تساهلاً وجرأة في تصنيف الحالات كإيجابية، مما يعظم معدل الاستدعاء ويضمن التقاط كل الحالات الإيجابية تقريباً، ولكنه يرفع في الوقت ذاته معدل الإنذارات الكاذبة مما يؤدي إلى هبوط حاد في الدقة الإيجابية. يلعب مقياس F1 دور الميزان الحرج ونقطة الارتكاز الهندسية التي تتيح للباحثين تقييم هذا التوازن الدقيق واختيار النموذج أو العتبة التي تحقق أقصى كفاءة مدمجة للمفاضلة بين المعيارين.

3. التفسير النظري لنطاق مقياس F1: من الصفر إلى الواحد الصحيح

3.1 ما الذي تعنيه القيمة 1.0 (الكمال الإحصائي)؟

يمتد النطاق الحسابي لمقياس F1 في المجال المغلق بين [0.0، 1.0]. نظرياً، تمثل الدرجة القصوى 1.0 حالة “الكمال الإحصائي والتنبؤي المطلق” (Perfect Classification)، حيث يكون النموذج قد حقق دقة إيجابية بنسبة 100% (Precision = 1.0) واستدعاءً كاملاً بنسبة 100% (Recall = 1.0) في آن واحد وبشكل لا تشوبه شائبة. في هذه الحالة المثالية، تكون مصفوفة الارتباك خالية تماماً من أي أخطاء، أي أن قيم الإيجابيات الكاذبة تساوي صفراً (FP = 0) وقيم السلبيات الكاذبة تساوي صفراً (FN = 0).

ومع ذلك، يجب على ممارسي ومهندسي تعلم الآلة التعامل مع درجات F1 التي تصل إلى 1.0 أو تقترب منها بصورة متطابقة (مثل 0.999) بحذر منهجي وشك علمي عميق، لا سيما عند التعامل مع بيانات واقعية معقدة تتسم عادة بالضوضاء الإحصائية وتداخل المتغيرات. في الغالبية الساحقة من الحالات العملية، لا تعكس درجة F1 = 1.0 عبقرية النموذج الخوارزمي، بل تشير إلى وجود أخطاء منهجية جسيمة في دورة حياة بناء النموذج، وأبرزها ظاهرة “تسرب البيانات” (Data Leakage)—حيث تتسرب معلومات من مجموعة بيانات الاختبار إلى مجموعة التدريب، أو وجود متغيرات تنبؤية تحتوي ضمناً على الإجابة المستهدفة (Target Leakage)—أو حدوث إفراط كارثي في المطابقة (Overfitting) نتيجة اختبار النموذج على نفس البيانات التي تدرب عليها.

3.2 ما الذي تعنيه القيمة 0.0 ومؤشرات الانهيار التصنيفي؟

في الطرف النقيض من الطيف الرياضي، تشير درجة F1 = 0.0 إلى حالة “الانهيار التام والمطلق لمنظومة التصنيف” (Complete Classification Failure). وبما أن مقياس F1 يعتمد على الوسط التوافقي وحاصل الضرب بين الدقة والاستدعاء في بسط معادلته الرياضية، فإن وصول أي من المكونين (Precision أو Recall) إلى الصفر يؤدي رياضياً وبشكل فوري إلى تصفير قيمة مقياس F1 بالكامل، حتى وإن حقق المكون الآخر قيماً ظاهرية مرتفعة.

يعكس وصول الدرجة إلى الصفر في التطبيقات العملية أحد أمرين منهجيين: إما أن النموذج عاجز تماماً عن التنبؤ بأي حالة إيجابية صحيحة (TP = 0)، كأن يقوم نموذج أحادي ساذج بتصنيف كافة العينات المفحوصة على أنها تنتمي للفئة السالبة فقط، أو أن جميع الحالات التي توقعها النموذج بأنها إيجابية كانت في الواقع إنذارات كاذبة بنسبة 100% (Precision = 0). تدل القيمة 0.0 على أن النموذج الخوارزمي لا يمتلك أي قدرة تمييزية أو استقرائية لعلاقات البيانات، وأنه لا يقدم أي ميزة تفضيلية عن الرمي العشوائي غير المنضبط للعملات النقدية، مما يستوجب إعادة النظر جذرياً في جودة البيانات، وهندسة الميزات (Feature Engineering)، واختيار الخوارزمية ذاتها.

3.3 القيم المتدرجة بين الصفر والواحد وقراءتها التحليلية

تتطلب قراءة وفهم الدرجات المتدرجة الواقعة بين الصفر والواحد الصحيح إدراكاً عميقاً لطبيعة اللاخطية (Non-linearity) التي تحكم سلوك الوسط التوافقي وصعوبة التحسين الرياضي في المستويات العليا. إن الفارق الإحصائي والتطبيقي بين رفع درجة F1 بمقدار 0.10 نقطة يختلف اختلافاً جذرياً بحسب الموضع على خط الأعداد؛ إذ يُعد الانتقال بنموذج من درجة 0.50 إلى 0.60 أمراً ميسوراً نسبياً في الممارسات التطبيقية، ويمكن تحقيقه عبر خطوات أولية مثل تنظيف البيانات الأساسي، أو ملء القيم المفقودة، أو استخدام خوارزميات قياسية بسيطة.

في المقابل، فإن رفع مقياس F1 بنفس المقدار من 0.85 إلى 0.95 يمثل تحدياً هندسياً وبحثياً هائلاً وفائق التعقيد؛ حيث يتطلب هذا الانتقال استخلاص أقصى طاقات البيانات عبر هندسة ميزات متقدمة ومبتكرة، وتطبيق خوارزميات تجميعية متطورة (Advanced Ensemble Techniques)، وضبط فرط المعلمات الدقيقة (Hyperparameter Tuning)، وربما جمع مجموعات بيانات ضخمة ونقية بتكاليف مالية باهظة. وعلاوة على ذلك، فإن زيادة طفيفة جداً بمقدار 0.02 في نطاق التسعينات قد تترجم في التطبيقات الصناعية الكبرى—مثل محركات البحث أو أنظمة التوصية في شركات التجارة الإلكترونية العالمية—إلى إنقاذ أو توليد مئات الملايين من الدولارات، بينما قد لا تمثل نفس الزيادة في النطاق الأدنى أي قيمة تشغيلية ملموسة.

4. المعايير العامة: التقييم التقديري لدرجات مقياس F1

4.1 التصنيف المعياري العام لجودة الدرجات

رغم أن تقييم جودة مقياس F1 يعتمد اعتماداً وثيقاً على السياق التطبيقي وظروف البيانات، إلا أن الأدبيات المنهجية والممارسات الصناعية استقرت على وضع تصنيف استرشادي وتأطيري عام يتيح لعلماء البيانات إجراء تقييم أولي لأداء نماذجهم التصنيفية. يمكن تفصيل هذا التصنيف المعياري العام على النحو الموضح في الجدول التحليلي التالي:

نطاق درجة F1	التقييم المعياري العام	التفسير التحليلي للأداء	الإجراء المنهجي الموصى به
أقل من 0.50	أداء ضعيف وغير مقبول	عجز حاد في قدرة النموذج على الفصل بين الفئات؛ التنبؤات تقترب من التخمين العشوائي أو تعاني من خلل تصنيفي كبير.	إعادة النظر في البيانات، تحسين جمع العينات، إعادة هندسة الميزات بالكامل، أو تغيير الخوارزمية.
0.50 – 0.69	أداء مقبول إلى متوسط	النموذج يلتقط بعض الأنماط الجوهرية ولكنه يرتكب أخطاء ملموسة؛ مناسب للمشاكل المعقدة ذات الضوضاء المرتفعة.	ضبط فرط المعلمات (Hyperparameters)، موازنة البيانات، وتعديل عتبة اتخاذ القرار.
0.70 – 0.89	أداء جيد إلى ممتاز	توازن قوي ومستقر بين الدقة والاستدعاء؛ يلبي متطلبات معظم التطبيقات الصناعية والخدمية القياسية بكفاءة.	نشر النموذج في بيئة الإنتاج التجريبية مع مراقبة الانحراف الإحصائي (Model Drift).
0.90 – 0.95	أداء متفوق واستثنائي	دقة متناهية واستدعاء فائق مع حد أدنى من الإنذارات الكاذبة والإغفالات؛ النموذج جاهز للاستخدام المتقدم.	التأكد من خلو البيانات من التسرب (Data Leakage) وإجراء تحقق متقاطع صارم.
أعلى من 0.95	أداء فائق مشبوه	نادراً ما يتحقق في البيانات الحقيقية؛ يعكس في أغلب الأحيان عيباً منهجياً في فصل بيانات الاختبار عن التدريب.	فحص بيئة الاختبار بدقة، التحقق من عدم تسرب الميزات التنبؤية، واختبار النموذج على بيانات خارجية مستقلة.

4.2 عتبة 0.70 كمعيار تقليدي للقبول في العديد من النماذج

تُعد العتبة الرقمية 0.70 (أو 70%) في الكثير من الأوساط الأكاديمية والتطبيقية بمثابة “الحد الفاصل غير المكتوب” أو “المعيار الذهبي الأدنى” للحكم على نجاح النموذج وقابليته للتطبيق في البيئات غير الحرجة. يعود الاعتماد التاريخي والإحصائي على هذه العتبة إلى حقيقة أن تحقيق F1 = 0.70 يتطلب بالضرورة ألا تقل قيمتا الدقة الإيجابية والاستدعاء معاً عن مستويات معقولة إحصائياً، مما يضمن أن النموذج يمتلك قوة تمييزية تفوق بكثير أي نموذج بدائي يعتمد على الصدفة أو التوزيع العشوائي.

عند وصول درجة F1 إلى 0.70، يكون النموذج قد بلغ مرحلة من الاستقرار تتيح لقطاعات الأعمال جني قيمة تجارية واضحة منه؛ فهو يقدم قرارات صحيحة في الغالبية العظمى من التنبؤات مع الحفاظ على معدل أخطاء في نطاق يمكن السيطرة عليه تشغيلياً أو تدقيقه يدوياً بواسطة الكوادر البشرية. ومع ذلك، يجب التأكيد على أن اعتبار 0.70 درجة كافية ومرضية يتوقف بالكامل على تعقيد الظاهرة المراد نمذجتها؛ ففي الظواهر عالية التشتت والغموض، مثل التنبؤ بتقلبات الأسواق المالية أو تحليل المشاعر في النصوص الأدبية المليئة بالسخرية، قد يمثل الوصول إلى F1 = 0.70 قفزة بحثية مذهلة وغاية في الصعوبة، بينما قد يُعد غير كافٍ في مهام التصنيف القياسية للصور عالية الدقة.

4.3 مخاطر الدرجات المرتفعة للغاية (أعلى من 0.95) والإفراط في المطابقة

في بيئات العمل الاحترافية المتقدمة لعلوم البيانات، يقابل كبار المهندسين والباحثين درجات F1 التي تتجاوز 0.95 بنوع من الارتياب المنهجي بدلاً من الاحتفال السريع. يعزى هذا الحذر العلمي الصارم إلى حقيقة أن مجموعات البيانات المستخرجة من العالم الحقيقي تحتوي دائماً على درجات من الغموض، والضوضاء، والأخطاء البشرية في وسم البيانات وتصنيفها (Label Noise)، فضلاً عن التداخل الطبيعي بين خصائص الفئات المختلفة؛ وبالتالي، فإن زعم النموذج قدرته على تصنيف هذه البيانات بنقاء يقترب من 100% يشير بنسبة كبيرة إلى حدوث ظاهرة الإفراط في المطابقة (Overfitting).

يحدث الإفراط في المطابقة عندما يقوم النموذج بحفظ التفاصيل الدقيقة والضوضاء العشوائية الموجودة في بيانات التدريب بدلاً من تعلم الأنماط العامة القابلة للتعميم، مما يؤدي إلى تحقيقه درجات F1 شبه مثالية على مجموعات التحقق المعزولة بصورة غير صحيحة، تمهيداً لانهياره التام والمفاجئ بمجرد ربطه ببيانات التشغيل الحية في الواقع (Production Environment). ومن الأسباب الكارثية الأخرى لتضخم درجات F1 إلى مستويات تتخطى 0.95 وجود “تسرب الميزات” (Feature Leakage)، كأن يتم تضمين متغير يعبر عن النتيجة المستهدفة بعد وقوع الحدث ضمن المتغيرات التنبؤية المدخلة للنموذج. ولتفادي الوقوع في هذا الفخ المنهجي، يجب الاعتماد الصارم على استراتيجيات التحقق المتقاطع الطبقي المتعدد (Stratified K-Fold Cross-Validation)، واختبار النماذج على مجموعات بيانات خارجية جُمعت في فترات زمنية أو مواقع جغرافية مختلفة تماماً (Out-of-Distribution Testing).

5. الاعتماد على السياق: كيف يحدد المجال ما يُعتبر مقياس F1 “جيداً”؟

5.1 المجالات الحرجة وعالية المخاطر (الرعاية الصحية والتشخيص الطبي)

في المجالات الحرجة والحساسة للغاية، لا سيما في قطاع الرعاية الصحية، والمعلوماتية الحيوية، والتشخيص الطبي المعتمد على الذكاء الاصطناعي، تكتسب التقييمات الإحصائية بعداً أخلاقياً وبشرياً مصيرياً؛ إذ لا تُقاس الأخطاء هنا بنسب مئوية مجردة، بل بحياة المرضى وسلامتهم الجسدية. في مثل هذه البيئات الصارمة، لا يمكن على الإطلاق قبول درجات F1 التقليدية مثل 0.70 أو حتى 0.80، بل يُشترط عادة ألا تقل درجة F1 عن 0.92 إلى 0.98 للحصول على الاعتماد الطبي والتنظيمي من الهيئات الصحية العالمية.

يرجع هذا التشدد القياسي إلى أن التكلفة البشرية المترتبة على السلبيات الكاذبة (FN)—أي الفشل في رصد الورم السرطاني أو التغاضي عن جلطة قلبية حادة وشيكة—تعتبر فادحة وغير قابلة للجبر؛ حيث تؤدي إلى حرمان المريض من العلاج المبكر المنقذ للحياة. ورغم أن الإيجابيات الكاذبة (FP) تسبب قلقاً نفسياً وتكاليف مالية لفحوصات إضافية، إلا أنها تظل أقل خطورة بمراحل من السلبيات الكاذبة. وبالتالي، تتطلب الأنظمة الطبية درجات فائقة الارتفاع من الاستدعاء والدقة معاً، مما يرفع سقف ما يُعتبر “درجة F1 جيدة” إلى آفاق استثنائية تجعل من الصعب جداً تدريب هذه النماذج دون الاعتماد على مجموعات بيانات ضخمة وعالية الجودة مدققة بواسطة نخبة من كبار الأطباء والاستشاريين.

5.2 مجالات التسويق والتجارة الإلكترونية والتوصيات

على النقيض تماماً من البيئات الطبية الصارمة، تتبنى قطاعات الأعمال الرقمية، مثل التسويق المستهدف، وتخصيص الإعلانات، ومحركات التوصية (Recommendation Engines)، والتنبؤ بنقر المستخدمين على الروابط (Click-Through Rate Prediction)، معايير أكثر مرونة وبراغماتية في تقييم جودة النماذج. في هذه المجالات التجارية، تُعتبر درجة F1 التي تتراوح بين 0.50 و 0.65 أداءً ممتازاً ومربحاً للغاية يحقق عوائد استثمارية ضخمة للشركات.

ينبع هذا التسامح الإحصائي من انخفاض التكلفة الهامشية للأخطاء التنبؤية؛ فإذا توقع النموذج أن مستخدماً معيناً يرغب في شراء منتج معين وأظهر له إعلاناً ولكن المستخدم تجاهله (إيجابية كاذبة)، فإن الخسارة المادية للشركة لا تتعدى أجزاء ضئيلة من السنت تمثل تكلفة ظهور الإعلان. ولكن إذا نجح النموذج في رفع دقة الاستهداف العام بنسبة 5% فقط فوق المعدل العشوائي، فإن ذلك يترجم في منصات التجارة الإلكترونية الضخمة التي تخدم عشرات الملايين من المستخدمين إلى ملايين الدولارات من المبيعات الإضافية المحققة. وبالنظر إلى أن سلوك المستهلك يتسم بالتقلب والضوضاء الهائلة وتعدد المؤثرات النفسية واللحظية، فإن توقع رغباته بدرجة F1 تفوق 0.60 يمثل نجاحاً تجارياً وإحصائياً باهراً بكل المقاييس العملية.

5.3 التطبيقات النفسية والقياسات السلوكية التنبؤية

تفرض العلوم السلوكية والقياسات النفسية الحاسوبية تحديات فريدة ومعقدة أمام نماذج تعلم الآلة؛ إذ يتعامل الباحثون في هذا المجال مع ظواهر إنسانية شديدة التجريد والتعقيد يصعب حصرها في مؤشرات رقمية قطعية، مثل التنبؤ بنوبات الاكتئاب الحاد، أو قياس السمات الشخصية المعقدة، أو رصد احتمالية التسرب الدراسي للطلاب من خلال تفاعلاتهم الرقمية. في مثل هذه البيئات السلوكية، يُعد تحقيق مقياس F1 يتراوح بين 0.60 و 0.75 إنجازاً بحثياً وتطبيقياً فائق الأهمية ورائداً في مجاله.

يرجع انخفاض السقف النظري لما يُعتبر “درجة جيدة” في النماذج السلوكية إلى ارتفاع معدلات “خطأ القياس النفسي” (Psychometric Measurement Error) ومحدودية موثوقية المقاييس القائمة على التقرير الذاتي (Self-Report Surveys) للمفحوصين. بالإضافة إلى ذلك، يتسم السلوك البشري بظاهرة “السببية المتعددة” (Equifinality)، حيث يمكن لعدة دوافع وسياقات نفسية مختلفة تماماً أن تؤدي إلى السلوك الظاهري ذاته. وبالتالي، فإن النماذج الخوارزمية تصطدم بحدود حتمية متأصلة في طبيعة الظاهرة المدروسة تمنعها رياضياً من تجاوز درجات F1 المتوسطة، مما يجعل درجة 0.65 في التنبؤ بنوبة هلع أو قلق نفسي علامة على نموذج قوي ومتقدم جداً من الناحية المنهجية والسريرية.

5.4 معالجة اللغات الطبيعية (NLP) والتعرف على الأنماط المعقدة

يشهد حقل معالجة اللغات الطبيعية (Natural Language Processing – NLP) تبايناً هائلاً في معايير جودة مقياس F1 تبعاً لمدى تعقيد المهمة اللغوية ومستوى التجريد الدلالي المطلوب من النموذج. في المهام اللغوية المباشرة والمحددة بنيوياً، مثل تصنيف المشاعر الإيجابية والسلبية البسيطة في مراجعات المنتجات (Binary Sentiment Analysis)، يُتوقع من النماذج الحديثة المبنية على المحولات (Transformers) تحقيق درجات F1 مرتفعة تتجاوز عادة 0.88 إلى 0.94 لتُصنف بأنها نماذج عالية الكفاءة.

في المقابل، في المهام اللغوية شديدة التعقيد والتسلسل مثل “التعرف على الكيانات المسماة المتداخلة” (Nested Named Entity Recognition – NER)، أو استخراج العلاقات الدلالية العميقة بين الجمل (Relation Extraction)، أو الإجابة عن الأسئلة المفتوحة المعقدة، ينخفض المعيار المعتمد للجودة بشكل ملحوظ؛ حيث تُعتبر درجات F1 في حدود 0.75 إلى 0.82 نتائج استثنائية تقود الأدبيات العلمية المتصدرة (State-of-the-Art – SOTA). يرجع هذا التباين إلى الغموض المتأصل في اللغات الطبيعية، والتعدد الدلالي للمفردات، وظواهر المجاز والسخرية والترادف السياقي، مما يجعل حتى الخبراء البشريين يختلفون فيما بينهم على وسم بعض الجمل المعقدة. لذلك، يتم تقييم درجة F1 في معالجة اللغات الطبيعية بالمقارنة المباشرة مع “معدل الاتفاق البشري” (Human Agreement Baseline)؛ فإذا كانت درجة اتفاق اللغويين البشريين على مهمة معينة تبلغ 0.80، فإن نموذج الذكاء الاصطناعي الذي يحقق F1 = 0.79 يُعتبر نموذجاً مثالياً قد بلغ ذروة الأداء الممكن عملياً.

6. تأثير عدم توازن البيانات (Class Imbalance) على تقييم جودة F1

6.1 ديناميكية الفئات النادرة مقابل الفئات السائدة

يفرض التوزيع التكراري للبيانات وطبيعة التوازن بين الفئات قيوداً رياضية حاسمة على القيمة المطلقة التي يمكن لمقياس F1 الوصول إليها؛ مما يجعل الحكم على درجة F1 بمعزل عن نسبة انتشار الفئة الإيجابية خطأً منهجياً فادحاً. في بيئات البيانات التي تتسم بـ “الندرة القصوى” (Extreme Imbalance)—حيث تشكل الفئة المستهدفة أقل من 1% أو حتى 0.1% من إجمالي الملاحظات، مثل رصد تزييف العملات أو اكتشاف التهرب الضريبي الدولي—تتغير الحسابات الرياضية جذرياً.

في حالات الندرة الحادة، يؤدي أي تساهل طفيف في عتبة النموذج إلى ظهور عدد قليل جداً من الإيجابيات الكاذبة (FP)، ولكن نظراً للعدد الضئيل للغاية للإيجابيات الحقيقية المتاحة في البيانات (TP)، فإن تلك الإيجابيات الكاذبة القليلة تكون كافية لتدمير قيمة الدقة الإيجابية (Precision) وخفضها بشكل حاد في المقام الحسابي. ونتيجة لذلك، قد يجد الباحث نفسه أمام نموذج متقدم للغاية تبلغ درجة F1 الخاصة به 0.45 فقط. وفي حين قد يبدو هذا الرقم متواضعاً وسطحياً للوهلة الأولى، إلا أنه في سياق ندرة بمعدل 1 إلى 1,000 يمثل إنجازاً تكنولوجياً وإحصائياً باهراً ينقل قدرة المؤسسة على رصد الحالات النادرة من نطاق “البحث عن إبرة في كومة قش” العشوائي إلى نطاق ترشيح فائق الدقة يضاعف الكفاءة آلاف المرات مقارنة بالأداء العشوائي.

6.2 المقارنة المعيارية لـ F1 مقابل خط الأساس العشوائي (Baseline)

لتحديد ما إذا كانت درجة مقياس F1 المحققة جيدة بالفعل أم لا في ظل اختلال توازن البيانات، طورت الأدبيات الإحصائية منهجية المقارنة الإلزامية مع “خط الأساس للتخمين العشوائي” (Random Baseline). يعتمد خط الأساس العشوائي لمقياس F1 بصورة مباشرة على نسبة الانتشار المسبق (Prior Probability / Prevalence) للفئة الإيجابية في مجموعة البيانات، والمُعبر عنها رياضياً بـ (P).

إذا كانت لدينا مجموعة بيانات تشكل فيها الفئة الإيجابية نسبة 2% فقط (P = 0.02)، فإن أي مصنف عشوائي بسيط يعتمد على التوزيع الاحتمالي سيحقق درجة F1 متوقعة تقارب 0.02 فقط (F1_baseline ≈ P). في هذا السياق المحدد، إذا استطاع نموذج تعلم آلي متقدم تحقيق درجة F1 مقدارها 0.40، فإن هذا النموذج لا يُعد ضعيفاً على الإطلاق، بل هو نموذج عبقري حقق تحسناً بمقدار 20 ضعفاً (20x Improvement) مقارنة بخط الأساس العشوائي للبيانات. وعلى العكس تماماً، في مجموعة بيانات متوازنة بنسبة 50% لكل فئة (P = 0.50)، فإن خط الأساس العشوائي يبلغ F1 = 0.50 تلقائياً دون أي تعلم؛ وبالتالي، فإن تحقيق النموذج لدرجة F1 = 0.55 في هذه البيئة المتوازنة يُعد أداءً هزيلاً للغاية وفاشلاً، لأنه لم يضف سوى تحسن هامشي ضئيل جداً فوق التخمين العشوائي الأعمى.

6.3 تقييم أثر موازنة البيانات على قيمة F1 الحقيقية

يلجأ علماء البيانات عادة لمعالجة معضلة عدم التوازن إلى تطبيق تقنيات هندسية متقدمة لموازنة الفئات، مثل تقنية التوليد الاصطناعي للأقليات (SMOTE – Synthetic Minority Over-sampling Technique)، أو تقنيات اختزال العينات السائدة (Random Undersampling). ورغم الفعالية الكبيرة لهذه الأساليب في مساعدة الخوارزميات على تعلم الحدود الفاصلة بين الفئات أثناء مرحلة التدريب، إلا أنها تخلق فخاً تقييمياً خطيراً إذا لم يتم التعامل معها بمنهجية حذرة.

يتمثل هذا الفخ في قيام بعض المطورين بحساب مقياس F1 على مجموعة بيانات الاختبار بعد موازنتها اصطناعياً؛ مما يعطي درجات F1 متضخمة ووهمية ومضللة للغاية (قد تصل إلى 0.85 مثلاً)، لأن البيئة الاصطناعية رفعت نسبة الفئة النادرة إلى 50%. ولكن بمجرد إطلاق هذا النموذج في بيئة التشغيل والإنتاج الحقيقية التي تعود فيها البيانات إلى توزيعها الطبيعي النادر (1%)، تنهار قيمة F1 الفعلية بشكل دراماتيكي لتهبط إلى 0.30 مثلاً. القاعدة الذهبية الصارمة في علوم البيانات تنص على: يجوز تطبيق تقنيات إعادة التوازن والموازنة حصرياً على مجموعة بيانات التدريب (Training Set)، بينما يجب دائماً وأبداً تقييم مقياس F1 النهائي على مجموعة بيانات الاختبار الأصلية غير المعدلة التي تعكس التوزيع الواقعي الحقيقي للظاهرة دون أدنى تزييف.

7. ما بعد مقياس F1 القياسي: متى نلجأ إلى مقاييس F-Beta؟

7.1 محدودية الوزن المتساوي بين الدقة والاستدعاء

ينطوي مقياس F1 القياسي في تركيبه الرياضي على افتراض ضمني حاسم: وهو أن الدقة الإيجابية (Precision) والاستدعاء (Recall) متساويان تماماً في الأهمية والوزن النسبي والتكلفة التطبيقية. ورغم أن هذا الافتراض المتوازن يُعد مثالياً في الدراسات الأكاديمية المقارنة والمهام المعيارية العامة، إلا أنه نادراً ما يتطابق مع الواقع العملي لبيئات الأعمال والقرارات التشغيلية الحقيقية؛ إذ نادراً ما تتساوى تكلفة الوقوع في خطأ النوع الأول (FP) مع تكلفة الوقوع في خطأ النوع الثاني (FN).

عندما تفرض طبيعة المشكلة تفضيل أحد المعيارين بشكل صريح على الآخر، يصبح الاعتماد الحصري على مقياس F1 التقليدي قاصراً ومضللاً في توجيه عملية تحسين النماذج؛ فقد يُظهر مقياس F1 تفوق نموذج معين يحقق توازناً متناصفاً، بينما تحتاج المؤسسة فعلياً إلى نموذج يضحي بالدقة تماماً في سبيل الوصول إلى أقصى استدعاء ممكن، أو العكس. ولتجاوز هذه المحدودية البنيوية، قدم عالم الإحصاء الهولندي C. J. van Rijsbergen الصيغة الرياضية المعممة لمقياس F، والتي تُعرف اليوم بـ مقياس F-Beta (F_β Score)، وتُصاغ رياضياً على النحو التالي:

F_β = (1 + β²) * (Precision * Recall) / ((β² * Precision) + Recall)

يمثل المعامل (β) وزناً إحصائياً قابلاً للتعديل، حيث يتحكم في مقدار الأهمية النسبية الممنوحة للاستدعاء مقارنة بالدقة؛ فإذا كانت β = 1 نعود إلى مقياس F1 المتوازن القياسي، أما إذا تغيرت قيمة بيتا فإن المقياس ينحاز بدقة متناهية نحو المعيار الأكثر أهمية لصانع القرار.

7.2 مقياس F2 Score: إعطاء الأولوية القصوى للاستدعاء

يتحقق مقياس F2 (F2-Score) عندما نضع قيمة المعامل β = 2 في المعادلة العامة، مما يجعل المعادلة تمنح الاستدعاء وزناً يعادل ضعف وزن الدقة الإيجابية (حيث يتم تربيع بيتا ليصبح معامل الوزن 4 لصالح الاستدعاء في المعادلة التفصيلية). يُعد مقياس F2 الخيار المنهجي المثالي والواجب اعتماده في كافة التطبيقات والمجالات التي يكون فيها إغفال أي حالة إيجابية (السلبيات الكاذبة) بمثابة كارثة كبرى لا يمكن تحملها.

تشمل التطبيقات النموذجية لمقياس F2: منظومات الإنذار المبكر للأوبئة الفيروسية، ورصد تسرب الغازات السامة في المنشآت النفطية، والكشف عن التهديدات الإرهابية والسيبرانية الفتاكة، والتشخيص الأولي للأورام السرطانية الحادة. في هذه السياقات، لا يكترث المشغلون كثيراً بوجود نسبة مرتفعة من الإنذارات الخاطئة (انخفاض نسبي في الدقة) طالما أن النظام يضمن تطهير وتغطية كافة الحالات الخطيرة تقريباً؛ وبالتالي، فإن ما يُعتبر “درجة F2 جيدة” (مثل تحقيق F2 = 0.88) قد يتطابق مع نموذج يمتلك استدعاءً فائقاً (Recall = 0.96) ودقة إيجابية منخفضة جداً (Precision = 0.65)، وهو توزيع أداء يُعد فاشلاً وفق مقياس F1 القياسي ولكنه ناجح ومثالي تماماً وفق متطلبات إدارة المخاطر الحرجة.

7.3 مقياس F0.5 Score: إعطاء الأولوية القصوى للدقة

على الطرف المقابل، يتحقق مقياس F0.5 (F0.5-Score) عندما نضع قيمة المعامل β = 0.5، مما يجعل المعادلة تمنح الدقة الإيجابية وزناً يعادل ضعف وزن الاستدعاء. يُعد مقياس F0.5 المعيار الاستراتيجي الأنسب للتطبيقات التي تكون فيها الإنذارات الكاذبة (الإيجابيات الكاذبة) ذات تكلفة مالية أو قانونية أو تشغيلية باهظة ومدمرة لثقة العملاء والعمليات التجارية.

من الأمثلة الحية على التطبيقات المعتمدة على F0.5: أنظمة الرفض والتجميد التلقائي لطلبات القروض البنكية الموثوقة، وخوارزميات الحذف الفوري التلقائي للحسابات الشخصية المشتبه في انتهاكها للسياسات دون مراجعة بشرية، وأنظمة التداول المالي الآلي فائق السرعة (High-Frequency Trading)؛ حيث يتطلب دخول الصفقات المالية دقة متناهية لتفادي صفقات خاسرة بملايين الدولارات. في هذه البيئات الصارمة، يُعتبر النموذج الذي يحقق F0.5 = 0.85 نموذجاً استثنائياً ممتازاً، حتى وإن كان استدعاؤه متواضعاً (Recall = 0.60) طالما أن دقته الإيجابية تقترب من الكمال (Precision = 0.95)، لأن تكلفة تفويت فرصة استثمارية (سلبية كاذبة) أقل بكثير من تكلفة خوض استثمار كارثي مبني على إشارة خاطئة (إيجابية كاذبة).

7.4 كيفية اشتقاق قيمة بيتا المثلى بناءً على مصفوفة التكاليف والخسائر

بدلاً من الاعتماد على القيم النمطية الشائعة لبيتا (مثل 1 أو 2 أو 0.5)، تتيح علوم البيانات المتقدمة ومنهجيات اتخاذ القرار المالي اشتقاق قيمة بيتا الدقيقة والخاصة بكل مشروع تجاري عبر بناء ما يُعرف بـ “مصفوفة التكاليف والخسائر” (Cost-Benefit Matrix). تتطلب هذه العملية ترجمة الأخطاء الإحصائية التنبؤية إلى قيم نقدية أو تشغيلية محسوسة تعبر عن الخسارة الحقيقية لكل قرار خاطئ.

تتم عملية الاشتقاق الرياضي عبر تحديد النسبة المالية المباشرة بين تكلفة السلبية الكاذبة (Cost_FN) وتكلفة الإيجابية الكاذبة (Cost_FP). تُحسب قيمة بيتا المثلى رياضياً من خلال المعادلة التالية:

β = √(Cost_FN / Cost_FP)

لنفترض على سبيل المثال أن بنكاً تجارياً قام بدراسة مالية ووجد أن تكلفة التغاضي عن عملية احتيال مالي واحدة (Cost_FN) تكلف البنك خسارة مباشرة قدرها 1,000 دولار، بينما تكلف مراجعة إنذار كاذب والتحقق اليدوي منه عبر خدمة العملاء (Cost_FP) ما مقداره 40 دولاراً فقط. بقسمة التكلفتين نحصل على: 1000 / 40 = 25. وبأخذ الجذر التربيعي للناتج: √25 = 5. تصبح قيمة بيتا المثلى الواجب استخدامها لتقييم واختيار أفضل نموذج لهذا البنك هي: β = 5 (F5-Score). يضمن هذا النهج المالي-الإحصائي المركب أن معيار تقييم جودة مقياس F لا يظل رقماً نظرياً هلامياً، بل ينبثق بدقة متناهية من الأهداف الاستراتيجية والميزانيات المالية للمؤسسة.

8. مقياس F1 في التصنيف متعدد الفئات (Multi-class Classification)

8.1 مقياس Micro-F1 وخصائصه التطبيقية

عند الانتقال من التصنيف الثنائي البسيط إلى التصنيف متعدد الفئات (Multi-class Classification)—حيث تتنافس الخوارزمية لتصنيف العينة إلى واحدة من بين ثلاث فئات أو مئات الفئات المختلفة—تتفرع طريقة حساب مقياس F1 إلى ثلاثة أساليب منهجية متباينة تعطي كل منها قراءة مختلفة تماماً للأداء. المنهج الأول هو مقياس Micro-F1 (المتوسط الميكروي).

يقوم منهج Micro-F1 على فكرة التجميع الإجمالي والشامل لكافة قيم الإيجابيات الحقيقية (TP)، والسلبيات الكاذبة (FN)، والإيجابيات الكاذبة (FP) عبر جميع الفئات مجتمعة في مصفوفة واحدة كبرى، ثم تطبيق معادلة F1 التقليدية مرة واحدة فقط على تلك المجاميع الكلية. من الخصائص الرياضية المدهشة لمقياس Micro-F1 في مهام التصنيف متعدد الفئات الحصري (Single-label Multi-class) أنه يتطابق حسابياً وجبرياً بنسبة 100% مع مقياس الدقة الإجمالية (Accuracy)؛ فإذا كانت الدقة الإجمالية للنموذج تساوي 0.82 فإن Micro-F1 سيساوي حتماً 0.82. يُعتبر مقياس Micro-F1 مفيداً ومناسباً جداً عندما يكون الهدف الاستراتيجي هو تعظيم عدد التنبؤات الصحيحة الإجمالية للمنظومة بغض النظر عن توزيع الفئات، ولكنه يمتلك عيباً قاتلاً يتمثل في كونه منحازاً بشدة للفئات السائدة ذات العينات الضخمة ومهملاً تماماً لأداء الفئات الصغرى.

8.2 مقياس Macro-F1 ودوره في حماية الفئات النادرة

المنهج الثاني والأكثر عدالة وصرامة إحصائية هو مقياس Macro-F1 (المتوسط الماكروي). يتميز هذا المنهج بأنه يتعامل مع المشكلة بطريقة لا مركزية؛ حيث يقوم بحساب مقياس F1 القياسي لكل فئة تصنيفية على حدة وبشكل مستقل تماماً (معتبراً الفئة الحالية فئة إيجابية وبقية الفئات مجتمعة فئة سلبية)، وبعد استخراج درجات F1 لكافة الفئات، يقوم بحساب الوسط الحسابي البسيط (Unweighted Mean) لتلك الدرجات دون أي اعتبار لحجم الفئة أو عدد العينات التابعة لها في البيانات.

تكمن القوة العظمى لمقياس Macro-F1 في كونه يمنح وزناً متكافئاً تماماً لكافة الفئات؛ فإذا كان النموذج يصنف 10 فئات مختلفة، فإن فئة نادرة تحتوي على 5 عينات فقط تمتلك نفس الوزن والتأثير في الدرجة النهائية (10%) تماماً كفئة كبرى تحتوي على 50,000 عينة. ونتيجة لهذه البنية الرياضية، يُعد مقياس Macro-F1 الاختبار الأقسى والأكثر نزاهة لقدرة النموذج واستقراره؛ فإذا حقق نموذج درجة Macro-F1 مرتفعة (مثل 0.85)، فهذا دليل قاطع على أن النموذج قوي وبارع في تصنيف الفئات النادرة والحرجة بنفس كفاءته في تصنيف الفئات الشائعة، مما يجعله المقياس المفضل في التطبيقات الطبية والتنظيمية التي تتطلب العدالة والموثوقية الشاملة.

8.3 مقياس Weighted-F1 ومعالجة التوزيع التكراري

يمثل المنهج الثالث، وهو مقياس Weighted-F1 (المتوسط المرجح)، حلاً وسطاً وتوفيقياً بين المنهجين السابقين. يقوم مقياس Weighted-F1 بحساب درجة F1 الفردية والمستقلة لكل فئة تصنيفية تماماً كما يحدث في Macro-F1، ولكنه عند حساب المتوسط النهائي لا يعتمد على الوزن البسيط، بل يضرب درجة F1 لكل فئة في نسبة تواجدها النسبي وحجم الدعم الخاص بها (Support / Class Frequency) في مجموعة البيانات الفعلية.

يقدم مقياس Weighted-F1 قراءة واقعية تعكس أداء النموذج بما يتناسب مع طبيعة التدفق الإحصائي للبيانات التي سيواجهها في بيئة الإنتاج الفعلية. ومع ذلك، ينطوي هذا المقياس على مخاطر منهجية كبرى يجب على الباحثين الحذر منها؛ إذ يمكن لمقياس Weighted-F1 أن يخفي وراءه انهياراً كاملاً في الفئات النادرة. على سبيل المثال، إذا كان النموذج فاشلاً تماماً في التعرف على فئة نادرة تمثل 2% من البيانات وحقق فيها F1 = 0.0، ولكنه حقق F1 = 0.90 في فئة رئيسية تمثل 98%، فإن مقياس Weighted-F1 النهائي سيصل إلى درجة باهرة ومضللة تبلغ 0.882! من هنا، يُنصح دائماً بعرض كل من Macro-F1 و Weighted-F1 جنباً إلى جنب للحصول على صورة تشخيصية صادقة ومتكاملة لأداء النموذج.

9. دراسات حالة تطبيقية لحساب وتفسير درجات مقياس F1

9.1 دراسة حالة 1: التنبؤ باختيار لاعبي كرة السلة في مسودة NBA

لتوضيح الآليات الحسابية والتحليلية لتفسير مقياس F1 في سياق تطبيقي ممتع ومعقد، نستعرض دراسة حالة واقعية تتعلق ببناء نموذج تعلم آلي للتنبؤ بفرص اختيار لاعبي الجامعات الموهوبين في مسودة الدوري الأمريكي للمحترفين (NBA Draft). قمنا باختبار نموذج تصنيف احتمالي متقدم على عينة اختبارية معزولة تتكون من 400 لاعب جامعي بارز، حيث أسفرت التنبؤات عن مصفوفة الارتباك الموضحة في الجدول التالي:

الواقع التنبؤ	تم التنبؤ باختياره (Drafted)	تم التنبؤ بعدم اختياره (Not Drafted)	إجمالي الحالات الفعلية
تم اختياره فعلياً (Actual Positive)	60 (TP)	20 (FN)	80 لاعباً
لم يتم اختياره فعلياً (Actual Negative)	35 (FP)	285 (TN)	320 لاعباً
إجمالي التنبؤات	95 لاعباً	305 لاعبين	400 لاعب

لحساب مؤشرات الأداء الخاصة بهذا النموذج، نتبع الخطوات الحسابية المنهجية التالية:

• حساب الدقة الإيجابية (Precision): TP / (TP + FP) = 60 / (60 + 35) = 60 / 95 = 0.6315 (63.15%)
• حساب الاستدعاء (Recall): TP / (TP + FN) = 60 / (60 + 20) = 60 / 80 = 0.7500 (75.00%)
• حساب مقياس F1 (F1-Score): 2 * (0.6315 * 0.75) / (0.6315 + 0.75) = 2 * (0.4736) / (1.3815) = 0.9472 / 1.3815 = 0.6857 (68.57%)

التقييم النقدي والتشغيلي للدرجة (F1 = 0.6857): هل تُعتبر هذه الدرجة جيدة؟ الإجابة التحليلية هي نعم، وبدرجة امتياز في هذا السياق الرياضي التنافسي. إن التنبؤ بمستقبل الرياضيين الشباب يتسم بتعقيد وتشتت هائلين نظراً لتأثره بعوامل نفسية، وإصابات بدنية، وتغير خطط المدربين. يُظهر النموذج استدعاءً قوياً (75%) يضمن للإدارة الرياضية عدم تفويت المواهب الحقيقية الصاعدة، مع دقة مقبولة تبلغ 63.15% تعني أن ثلثي اللاعبين الذين يوصي بهم النموذج سيتم اختيارهم بالفعل. تمثل هذه الدرجة ميزة استراتيجية واستثمارية كبرى لإدارة الفريق توفر ملايين الدولارات في تكاليف الكشافة والتحليلات الرياضية مقارنة بالطرق التقليدية.

9.2 دراسة حالة 2: كشف المعاملات المالية الاحتيالية (Fraud Detection)

في دراسة حالة أخرى تجسد تحديات العمليات المصرفية الرقمية الكبرى، قمنا بتقييم نموذج ذكاء اصطناعي مكلف بفحص 1,000,000 معاملة دفع إلكتروني يومية لبنك دولي، حيث تتسم البيانات بندرة احتيالية فائقة؛ إذ تبلغ نسبة العمليات الاحتيالية الحقيقية 0.1% فقط (أي 1,000 معاملة احتيالية مقابل 999,000 معاملة شرعية وسليمة).

عند تشغيل النموذج على بيانات التحقق، نجح في رصد 800 معاملة احتيالية حقيقية (TP = 800)، بينما أغفل 200 عملية احتيال نفذت بنجاح (FN = 200)، وتسبب في إطلاق 420 إنذاراً كاذباً على عمليات شرعية (FP = 420). وبإجراء الحسابات الدقيقة:

• الدقة الإيجابية (Precision): 800 / (800 + 420) = 800 / 1220 = 0.6557 (65.57%)
• الاستدعاء (Recall): 800 / (800 + 200) = 800 / 1000 = 0.8000 (80.00%)
• مقياس F1: 2 * (0.6557 * 0.80) / (0.6557 + 0.80) = 1.0491 / 1.4557 = 0.7207 (72.07%)

تُعد درجة F1 = 0.7207 في هذا السياق المالي إنجازاً تقنياً واقتصادياً استثنائياً فائق الجودة. ففي ظل ندرة بنسبة 1 إلى 1,000، استطاع النموذج منع 80% من إجمالي الخسائر المالية الاحتيالية المحتملة للبنك (ملايين الدولارات)، مع الحفاظ على معدل إنذارات كاذبة ضئيل جداً لا يتجاوز 420 معاملة من أصل مليون معاملة (معدل خطأ أقل من 0.05% بالنسبة لحجم المعاملات الكلي). تثبت هذه الحالة بوضوح كيف أن درجة 0.72 قد تمثل قمة الأداء المؤسسي عند التعامل مع حالات الندرة الشديدة.

9.3 دراسة حالة 3: التنبؤ بنوبات الاضطراب النفسي والقلق الحاد

تتناول دراسة الحالة الثالثة مشروعاً بحثياً وطبياً متقدماً يستخدم البيانات الحيوية المستمرة الملتقطة من الساعات الذكية (معدل ضربات القلب، تقلب نبضات القلب HRV، موصلية الجلد، ومستويات النوم) للتنبؤ المسبق بحدوث نوبات القلق والهلع الحاد لدى مرضى الاضطرابات النفسية قبل وقوعها بـ 15 دقيقة، لتمكينهم من ممارسة تمارين التنفس الاستباقية.

أظهرت نتائج الاختبار المتقاطع للنموذج استدعاءً مقداره 0.70 (Recall = 0.70) ودقة إيجابية مقدارها 0.61 (Precision = 0.61)، مما أسفر عن درجة F1 = 0.6519. في الأوساط الطبية النفسية والقياسات السلوكية الحيوية، قوبلت هذه النتيجة بترحيب واسع من الباحثين والأطباء السريريين واعتُبرت درجة متقدمة ومبهرة للغاية. يعود ذلك إلى الطبيعة الديناميكية المعقدة للجهاز العصبي البشري وتداخله مع مجهودات بدنية بريئة قد تتشابه فسيولوجياً مع نوبات القلق (مثل صعود الدرج). وقد أتاحت درجة F1 البالغة 0.65 للنظام إرسال تنبيهات وقائية دقيقة ساهمت في تقليل نوبات الهلع الشديدة بنسبة 60% لدى المرضى الخاضعين للدراسة، مما يوضح الأثر الإنساني المباشر للدرجات التي قد تبدو “متوسطة” بمقاييس مجردة.

10. المقارنة المرجعية (Benchmarking): كيف تحدد ما إذا كانت درجتك مقبولة؟

10.1 المقارنة مع النماذج المرجعية الساذجة والبدائية (Naive Baselines)

تتمثل الخطوة المنهجية الأولى والأساسية لتحديد ما إذا كانت درجة مقياس F1 المحققة مقبولة في إجراء مقارنة صارمة مع “النماذج المرجعية الساذجة” (Naive Baselines). لا يمكن الحكم على جودة أي نموذج معقد—مثل الشبكات العصبية العميقة أو خوارزميات تعزيز التدرج—بمعزل عن مقارنته بأبسط النماذج الممكنة التي لا تتطلب تدريباً حقيقياً.

تشمل هذه النماذج المرجعية: “مصنف الفئة الأكثر تكراراً” (Majority Class Classifier)، ومصنف التخمين العشوائي الطبقي (Stratified Random Dummy)، والنماذج الخطية البسيطة مثل الانحدار اللوجستي (Logistic Regression) المزود بالميزات الأولية غير المعالجة. القاعدة المنهجية الصارمة تقضي بأنه لكي تُعتبر درجة F1 لنموذجك مقبولة وجيدة، يجب أن يتفوق النموذج المتقدم على أبسط نموذج مرجعي بفارق إحصائي جوهري وملموس (Statistically Significant Margin لا يقل عادة عن 15% إلى 30% تحسن نسبي). فإذا حقق انحدار لوجستي بسيط F1 = 0.74 بينما حققت شبكة عصبية عميقة فائقة التعقيد والتكلفة الحسابية F1 = 0.75، فإن درجة الشبكة العصبية تُعتبر غير مقبولة عملياً واقتصادياً؛ لأنها أضافت تعقيداً هندسياً هائلاً دون عائد تنبؤي يبرر هذا الاستثمار.

10.2 المقارنة مع الأداء البشري المتخصص (Human Baseline)

في المهام الإدراكية والتصنيفية التي يمتلك فيها البشر خبرة فطرية أو تخصصية—مثل تشخيص الصور الشعاعية، أو تحليل المعاني اللغوية، أو تصنيف المستندات القانونية—يُمثل “الأداء البشري المتخصص” (Human Baseline / Expert Agreement) السقف النظري والعملي الأعلى لما يمكن اعتباره درجة F1 ممتازة ومثالية.

يتم قياس هذا الخط المرجعي عبر دراسة “موثوقية الاتفاق بين المقيمين” (Inter-rater Reliability) باستخدام معاملات إحصائية متقدمة مثل معامل كوهين كابا (Cohen’s Kappa)؛ حيث يُطلب من مجموعة من الأطباء أو الخبراء تصنيف نفس مجموعة البيانات بشكل مستقل، ثم حساب مقياس F1 التوافقي لأحكامهم المتبادلة. فإذا أظهرت الدراسات أن نخبة أطباء الأشعة يتفقون فيما بينهم على تشخيص مرض معين بدرجة F1 تبلغ 0.86 نظراً لغموض الصور الطبية وتداخل الحالات، فإن أي نموذج ذكاء اصطناعي يحقق درجة F1 = 0.85 يُعتبر نموذجاً ثورياً واستثنائي الجودة؛ لأنه وصل عملياً إلى مستوى كفاءة النخبة البشرية، ويصبح من غير المنطقي هندسياً مطالبة الخوارزمية بتحقيق 0.95 في بيئة يختلف فيها الخبراء أنفسهم بنسبة 14%.

10.3 تحليل العائد على الاستثمار ودراسة الجدوى الإحصائية

في نهاية المطاف، لا تُقاس جودة مقياس F1 في المؤسسات وقطاعات الأعمال بالمعادلات الرياضية البحتة، بل بمدى ترجمتها إلى “عائد إيجابي على الاستثمار” (Return on Investment – ROI). تتطلب هذه المنهجية ربط كل تحسن رقمي طفيف في مقياس F1 بالأثر المالي أو التشغيلي المباشر الذي يُحدثه في خطوط الإنتاج والخدمات.

يجب على قادة الفرق التقنية دراسة منحنى “تناقص العوائد” (Diminishing Returns)؛ ففي المراحل الأولى لتطوير النماذج، قد يتطلب رفع F1 من 0.60 إلى 0.80 أسبوعين من العمل وميزانية حوسبة ضئيلة، محققاً وفراً مالياً سنوياً للشركة قدره مليون دولار. ولكن رفع F1 لاحقاً من 0.85 إلى 0.88 قد يتطلب توظيف ثلاثة علماء بيانات لستة أشهر وشراء خوادم حوسبة سحابية متطورة بمئات الآلاف من الدولارات لتوليد وفر إضافي لا يتعدى 50 ألف دولار. في هذا السيناريو، يُعتبر النموذج الحالي ذو الدرجة 0.85 “جيداً جداً وكافياً تماماً” من الناحية الاستراتيجية، ويتم اتخاذ قرار نشره فوراً في بيئة الإنتاج دون إهدار موارد المؤسسة في مطاردة تحسينات إحصائية هامشية غير مجدية اقتصادياً.

11. استراتيجيات منهجية لرفع مقياس F1 وتحسين أداء النموذج

11.1 ضبط وتعديل عتبة التصنيف (Classification Threshold Tuning)

تُعد عملية ضبط وتعديل عتبة اتخاذ القرار (Classification Threshold Tuning) أسرع وأقوى استراتيجية هندسية لرفع مقياس F1 دون الحاجة إلى إعادة تدريب النموذج أو تغيير خوارزميته الأساسية. تفترض مكتبات تعلم الآلة القياسية—مثل Scikit-Learn—عتبة قرار افتراضية مقدارها 0.50 للفصل بين الفئات، وهو افتراض تعسفي لا يتناسب مطلقاً مع مجموعات البيانات غير المتوازنة.

لتحقيق أقصى درجة F1 ممكنة، يقوم مهندسو البيانات بتوليد وتحليل “منحنى الدقة والاستدعاء” (Precision-Recall Curve) على مجموعة بيانات التحقق المستقلة؛ حيث يتم حساب قيم الدقة والاستدعاء الناتجة عن تغيير العتبة تدريجياً عبر كامل النطاق من 0.01 إلى 0.99 بخطوات متناهية الصغر. ومن خلال تطبيق خوارزميات البحث الشبكي (Grid Search)، يتم تحديد “العتبة المثلى المحددة رياضياً” (Optimal Threshold) التي تحقق أعلى قمة لمنحنى F1 (Argmax F1). في كثير من الحالات التطبيقية، يؤدي مجرد تحريك عتبة القرار من 0.50 إلى 0.28 أو 0.62 إلى قفزة مباشرة في مقياس F1 تتراوح بين 0.05 و 0.15 نقطة دفعة واحدة ودون أي تكلفة حوسبية إضافية.

11.2 هندسة الميزات المتقدمة وتصفية الضوضاء

تمثل “هندسة الميزات” (Feature Engineering) القلب النابض والرافعة الحقيقية لأداء أي خوارزمية تنبؤية؛ إذ لا يمكن لأعقد النماذج الرياضية تعويض غياب ميزات وصفية قوية ومميزة قادرة على فصل الفئات بوضوح. تشمل الاستراتيجيات المتقدمة في هذا المضمار:

• استخلاص التفاعلات غير الخطية: بناء متغيرات مركبة جديدة تجمع بين متغيرين أو أكثر (Cross Features / Interaction Terms)، مثل حساب نسبة الدين إلى الدخل في النماذج الائتمانية، أو دمج التغير في معدل النبض مع درجة حرارة الجلد في النماذج الطبية.
• التحويلات الرياضية لتوزيعات البيانات: تطبيق تحويلات لوغاريتمية (Log Transforms) أو تحويلات بوكس-كوكس (Box-Cox) لتحويل المتغيرات ذات التوزيعات الملتوية بشدة (Skewed) إلى توزيعات طبيعية تعزز قدرة النماذج الخطية والشجرية على التقاط العلاقات الإحصائية.
• تصفية المتغيرات المشتتة والضوضاء: استخدام خوارزميات اختيار الميزات المتقدمة مثل تقنيات الإلغاء المتتابع للميزات (Recursive Feature Elimination – RFE) أو قياس أهمية الميزات عبر خوارزميات الغابات العشوائية لاكتشاف وحذف المتغيرات الضعيفة التي تزيد من تباين النموذج وتؤدي إلى تشويش دقة التنبؤ.

11.3 استخدام خوارزميات التجميع والتعلم الحساس للتكلفة (Cost-Sensitive Learning)

لتحقيق أقصى قفزة نوعية في مقاييس الأداء الصعبة، يتجه الممارسون إلى توظيف الخوارزميات التجميعية الحديثة وتعديل دوال الخسارة الإحصائية لتصبح حساسة للتكلفة المادية للأخطاء؛ وتتضمن هذه المنهجيات المتقدمة:

• التعلم الحساس للتكلفة (Cost-Sensitive Learning): تعديل الأوزان الرياضية للفئات (Class Weights) داخل خوارزميات التصنيف (مثل تفعيل معامل class_weight='balanced' في Scikit-Learn)؛ مما يفرض عقوبة مضاعفة داخل دالة الخسارة (Loss Function) عند ارتكاب خطأ في تصنيف الفئة النادرة، مما يجبر الخوارزمية تلقائياً على رفع معدل الاستدعاء والتوازن مع الدقة.
• خوارزميات تعزيز التدرج المتقدمة (Advanced Gradient Boosting): الاعتماد على الخوارزميات القيادية فائقة التطور مثل XGBoost و LightGBM و CatBoost؛ والتي تتميز بقدرتها الفائقة على التعامل مع اختلال التوازن عبر معلمات متخصصة، والتقاط العلاقات غير الخطية المعقدة دون الإفراط في المطابقة.
• تجميع النماذج بالرص والتكديس (Ensemble Stacking): دمج التنبؤات الاحتمالية الصادرة عن مجموعة متنوعة من النماذج الهيكلية المختلفة (مثل دمج نموذج غابات عشوائية مع شبكة عصبية وانحدار لوجستي) عبر نموذج تحكيم نهائي (Meta-Learner)، مما يساهم في تقليص التباين والتحيز الفردي لكل نموذج وتحقيق استقرار فائق يرفع مقياس F1 النهائي إلى ذروته الممكنة.

12. القيود المنهجية والمقاييس التكميلية لتقييم النماذج

12.1 إغفال السلبيات الحقيقية (True Negatives) في تركيبة F1

رغم القوة الإحصائية الهائلة لمقياس F1 وشهرته الواسعة، إلا أنه يعاني من قيد بنيوي جوهري ومحوري يجب على كل باحث وعالم بيانات استيعابه بدقة: وهو أن المعادلة الرياضية لمقياس F1 تتجاهل وتستبعد تماماً خلية “السلبيات الحقيقية” (True Negatives – TN) من حساباتها. ينصب تركيز مقياس F1 بالكامل وبشكل حصري على خلايا TP و FP و FN فقط.

يترتب على هذا الاستبعاد البنيوي أن مقياس F1 يظل عاجزاً وأعمى تماماً عن تقييم مدى كفاءة وقوة النموذج في رفض الحالات السلبية السليمة والتعرف عليها عندما تكون الفئة السلبية ذات أهمية تحليلية موازية. ففي المواقف التي تتطلب تقييماً متكافئاً وشاملاً لكافة خلايا مصفوفة الارتباك الأربع دون تحيز لفئة على حساب أخرى، يصبح الاعتماد المنفرد على مقياس F1 غير كافٍ ومضللاً نوعاً ما، مما يستوجب الاستعانة بمقاييس إحصائية تكميلية توفر رؤية شاملة للمنظومة التنبؤية بأكملها.

12.2 المقاييس البديلة والتكميلية: معامل ارتباط ماثيوز (MCC) ومساحة المنحنى (PR-AUC)

لتجاوز أوجه القصور في مقياس F1 وتقديم تقييم شامل لا تشوبه شائبة، طورت الأدبيات الإحصائية مجموعة من المقاييس البديلة والتكميلية شديدة الأهمية، ومن أبرزها:

• معامل ارتباط ماثيوز (Matthews Correlation Coefficient – MCC): يُجمع كبار علماء الإحصاء التطبيقي على أن معامل MCC هو المقياس الأكثر نزاهة وشمولية وتكاملاً في التصنيف الثنائي. تكمن عظمته الرياضية في كونه يدمج كافة الخلايا الأربع لمصفوفة الارتباك (TP, TN, FP, FN) في صيغة ارتباط احتمالية تتراوح بين -1 (عداء تنبؤي تام) و 0 (أداء عشوائي) و +1 (تنبؤ كامل ومثالي). لا يمكن للنموذج الحصول على درجة MCC مرتفعة إلا إذا حقق نتائج ممتازة في كافة الفئات الإيجابية والسلبية معاً، مما يجعله البديل التقييمي الأكثر صرامة وأماناً عند الشك في نتائج F1.
• المساحة تحت منحنى الدقة والاستدعاء (PR-AUC / Average Precision): في حين يقيس مقياس F1 الأداء عند “عتبة تصنيف واحدة محددة”، يقوم مقياس PR-AUC بحساب التكامل الرياضي للمساحة الكلية تحت منحنى Precision-Recall عبر كافة العتبات الممكنة من 0 إلى 1. يعكس هذا المقياس الكفاءة الجوهرية العامة للنموذج وقدرته على فرز وترتيب الاحتمالات بشكل تصاعدي نزيه، ويُعد المعيار الأفضل للمقارنة العامة بين الخوارزميات قبل الاستقرار على عتبة تشغيل نهائية.
• المساحة تحت منحنى خصائص التشغيل للمستقبل (ROC-AUC): يقيس التوازن بين معدل الإيجابيات الحقيقية (Recall) ومعدل الإيجابيات الكاذبة (False Positive Rate)؛ ويظل مقياساً كلاسيكياً قوياً في البيانات المتوازنة، مع ضرورة الحذر منه في البيانات غير المتوازنة بشدة لصالح مقياس PR-AUC.

12.3 خلاصة إرشادية لاتخاذ القرارات: متى تعتمد مقياس F1 كمعيار نهائي؟

في الختام، يمثل اختيار مقياس التقييم المناسب قراراً هندسياً واستراتيجياً يرسم ملامح نجاح المشروع برمته. لتوجيه الممارسين وصناع القرار نحو الاستخدام الأمثل لمقياس F1 والمقاييس المقترنة به، نلخص مصفوفة اتخاذ القرار الإرشادية في النقاط المنهجية الحاسمة التالية:

• اعتمد مقياس F1 القياسي (F1-Score): عندما تكون البيانات غير متوازنة، وتكون الفئة الإيجابية النادرة هي جوهر المشكلة المستهدفة، وتتساوى تقريباً تكلفة الإنذارات الكاذبة (FP) مع تكلفة الإغفالات (FN).
• اعتمد مقياس F2 (F2-Score): في البيئات الطبية، والأمنية، والحرجة التي لا يمكن فيها تحمل السلبيات الكاذبة، وحيث يكون تعظيم الاستدعاء (Recall) هو الأولوية التشغيلية القصوى للنجاة أو الحماية.
• اعتمد مقياس F0.5 (F0.5-Score): في المنظومات الآلية الصارمة وعالية الحساسية التي تتطلب نقاءً وثقة مطلقة في التنبؤات الإيجابية لتجنب التكاليف الباهظة للإنذارات الخاطئة (Precision).
• اعتمد معامل MCC و PR-AUC: جنباً إلى جنب مع مقياس F1 دائماً لبناء “لوحة قياس أداء متعددة الأبعاد” (Multi-metric Dashboard)؛ لضمان عدم وجود تحيزات خفية، والتأكد من أن الأداء الخوارزمي يرتكز على أسس إحصائية متينة وقابلة للتعميم بنجاح وموثوقية في بيئات الإنتاج والواقع العملي الحي.

---

المراجع (References)

• Chicco, D., & Jurman, G. (2020). The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics, 21(1), 6. https://doi.org/10.1186/s12864-019-6413-7
• Davis, J., & Goadrich, M. (2006). The relationship between Precision-Recall and ROC curves. In Proceedings of the 23rd International Conference on Machine Learning (ICML ’06) (pp. 233–240). Association for Computing Machinery. 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
• 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
• Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press. https://nlp.stanford.edu/IR-book/
• Powers, D. M. W. (2011). Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 2(1), 37–63.
• Sasaki, Y. (2007). The truth of the F-measure. Teach Tutor Mater, 1(5), 1–5.
• van Rijsbergen, C. J. (1979). Information Retrieval (2nd ed.). Butterworth-Heinemann.