تقييم دقة التصنيف: مصفوفة الالتباس ومعامل كابا بلغة مفهومة

خريطة تصنيف بلا تقرير دقة ليست نتيجة علمية بل صورة ملوّنة. وهذا شرح عملي لمصفوفة الالتباس ومعامل كابا — وللأخطاء التي تُفسدهما من الأساس.

تنتهي من تصنيف مرئية، وتخرج بخريطة غطاء أرضي ملوّنة جميلة. ثم يسألك المُحكِّم أو العميل سؤالاً واحداً: ما دقتها؟

بلا إجابة رقمية على هذا السؤال، الخريطة صورة لا نتيجة. وهذا شرح عملي للأدوات الثلاث التي تجيب عنه.

القاعدة الأولى: عيّنة التحقق مستقلة

قبل أي حساب، هناك شرط لا يُتجاوز: النقاط التي تقيس بها الدقة يجب ألا تكون من النقاط التي درّبت بها المصنّف.

قياس الدقة بعيّنة التدريب نفسها يشبه أن تمتحن طالباً في الأسئلة التي حفظها. ستحصل على رقم مرتفع لا يعني شيئاً.

التوزيع العملي: اجمع نقاطك المرجعية، ثم قسّمها عشوائياً — جزء للتدريب وجزء يُحجب تماماً حتى مرحلة التقييم. ويفضَّل أن تكون النقاط المرجعية موزّعة على كل الفئات لا مركّزة في أسهلها.

مصفوفة الالتباس: الأداة الأساسية

لماذا المصفوفة أهم من أي رقم مفرد؟ لأنها تخبرك بما يجب إصلاحه. رقم «الدقة 88%» لا يقول لك شيئاً؛ أما المصفوفة فتقول: «مشكلتك في فصل الجرداء عن العمران» — فتعرف أن تضيف مؤشراً طيفياً أو نقاط تدريب في تلك الفئة تحديداً.

ثلاثة أرقام، ثلاثة أسئلة مختلفة

الدقة الكلية (Overall Accuracy)

مجموع القطر ÷ إجمالي النقاط. في مثالنا: (62+55+48) ÷ 200 = 82.5%

حذر: هذا الرقم يخدع حين تكون الفئات غير متوازنة. لو كانت 90% من منطقتك صحراء، فمصنّف يقول «الكل صحراء» يعطيك دقة 90% وهو عديم الفائدة تماماً.

دقة المنتِج (Producer’s Accuracy)

من كل ما هو زراعة فعلاً، كم نسبة ما صنّفتَه زراعة؟ يقيس الإغفال — ما فاتك.

دقة المستخدِم (User’s Accuracy)

من كل ما صنّفتَه زراعة، كم نسبة ما هو زراعة فعلاً؟ يقيس الإدراج الخاطئ — وهو الرقم الذي يهمّ من سيستخدم خريطتك.

أيهما تذكر؟ كلاهما. والفجوة بينهما تكشف انحياز المصنّف: دقة منتِج عالية مع دقة مستخدِم منخفضة تعني أنك تُفرط في إسناد تلك الفئة.

معامل كابا: ماذا يقيس فعلاً؟

السؤال الذي يجيب عنه كابا: كم تفوّقت نتيجتك على التخمين العشوائي؟

لو رميت النقاط عشوائياً على ثلاث فئات، ستصيب بعضها بالصدفة. كابا يطرح هذا «الاتفاق الصدفي» من دقتك ليعطيك الجزء الذي يعود لمهارة المصنّف لا للحظ.

⚠️ ملاحظة مهمة: هذه العتبات اصطلاحية شائعة وليست قاعدة رياضية. وقد وُجّه نقد علمي لاستخدام كابا في الاستشعار عن بعد لأنه يعاقب على عدم توازن الفئات. الاتجاه الحديث يوصي بذكر الدقة الكلية ودقتَي المنتِج والمستخدِم مع مصفوفة الالتباس كاملة، واعتبار كابا رقماً مكمّلاً لا حَكَماً وحيداً.

الحساب عملياً

import numpy as np
from sklearn.metrics import (confusion_matrix, cohen_kappa_score,
                             classification_report, accuracy_score)

y_true = np.array([...])   # الحقيقة الأرضية من عيّنة التحقق المستقلة
y_pred = np.array([...])   # ما أعطاه المصنّف لنفس النقاط
labels = ["عمران", "زراعة", "جرداء"]

cm = confusion_matrix(y_true, y_pred)
print("مصفوفة الالتباس:\n", cm)
print(f"الدقة الكلية: {accuracy_score(y_true, y_pred):.3f}")
print(f"معامل كابا:  {cohen_kappa_score(y_true, y_pred):.3f}")

# دقة المنتِج = Recall  |  دقة المستخدِم = Precision
print(classification_report(y_true, y_pred, target_names=labels, digits=3))

اقرأ المخرجات هكذا: recall في التقرير هو دقة المنتِج، و precision هو دقة المستخدِم. المسميات مختلفة والمعنى واحد.

ما يجب أن يحتويه تقرير الدقة عند التسليم

1. حجم عيّنة التحقق وطريقة اختيارها، وتأكيد استقلالها عن التدريب
2. مصفوفة الالتباس كاملة — لا الدقة الكلية وحدها
3. الدقة الكلية و دقة المنتِج و دقة المستخدِم لكل فئة
4. معامل كابا مع الإشارة إلى محدوديته
5. تعريف واضح لكل فئة — ما الذي يُحسب «زراعة» بالضبط؟

اختصار الطريق

كل منتج تصنيف أُنتجه يُسلَّم ومعه تقرير دقته كاملاً — لأن نتيجة بلا قياس لا تُنشر.

• خدمة الاستشعار عن بعد وتصنيف المرئيات
• تحليلات التغير في الغطاء الأرضي
• الغطاء الأرضي بدقة 10 أمتار — مجاني