
مقياس (من 0 إلى 1) يقيس عدد المرات التي تتطابق فيها تنبؤات النموذج مع النتائج الفعلية، حيث 1 يعني الكمال.دقة التنبؤ مقياس أساسي في التعلم الآلي والإحصاء، يحدد عدد المرات التي تتوافق فيها تنبؤات النموذج مع النتائج الفعلية المرصودة. يُعبر عنها بقيمة بين 0 و1، حيث يشير 1 إلى تنبؤ مثالي و0 إلى فشل تام. يُعد هذا المقياس حجر الزاوية لتقييم النماذج في مجالات متنوعة، من التشخيص الطبي إلى التنبؤ بالطقس وعلوم المواد، كما أبرزت عناوين المجموعة التي تغطي التنبؤ بتليف الكبد، والتنبؤ بالتوهجات الشمسية، والتحقق من الحسابات الكمومية.
تعود جذور مفهوم دقة التنبؤ إلى الاستدلال الإحصائي المبكر، لكن صياغته في التعلم الآلي ظهرت في منتصف القرن العشرين مع تطور التعرف على الأنماط ونظرية القرار. لا يُنسب الفضل إلى مخترع واحد؛ بل تطور من أساسيات الاحتمالات وتحليل الأخطاء.
تُحسب دقة التنبؤ عادةً كنسبة التنبؤات الصحيحة إلى إجمالي التنبؤات المقدمة. بالنسبة للنتائج الثنائية، يكون الأمر مباشرًا: (الإيجابيات الحقيقية + السلبيات الحقيقية) مقسومة على إجمالي الحالات. في السيناريوهات الأكثر تعقيدًا، مثل التصنيف متعدد الفئات أو الانحدار، قد تُعدل الدقة أو تُستكمل بمقاييس أخرى مثل الدقة الإيجابية، أو الاستدعاء، أو فترات الثقة، كما ورد في مقال التنبؤ بالتوهجات الشمسية. المفتاح هو أن الدقة تقيس تكرار التوافق بين مخرجات النموذج والحقيقة الأساسية، مما يوفر مقياسًا بسيطًا لكنه قوي لأداء النموذج.
تُستخدم دقة التنبؤ للتحقق من صحة النماذج في الرعاية الصحية (مثل التنبؤ بتليف الكبد)، والمراقبة البيئية (مثل التوهجات الشمسية)، والتصميم القائم على الذكاء الاصطناعي (مثل الأشكال الهوائية)، مما يضمن الموثوقية قبل النشر.
في بعض الحالات، قد يكون النموذج ذو الدقة العالية مضللًا، كما لوحظ في مقال التحقق الصوتي بالذكاء الاصطناعي، حيث تفشل الدقة وحدها في التقاط التحيزات المنهجية.












