المشروع
ارفض اختلاف الأطوال والتسميات المجهولة مع إبقاء العد صفرا للفئات التي لم تظهر.
مساحة عمل برمجية بالذكاء الاصطناعي
مصفوفات الالتباس للتصنيف
ابن مصفوفة التباس من التسميات المتوقعة والمتنبأ بها.
● ● ●MatrixTern●
سير العمل · مصفوفات الالتباس للتصنيف ×
def confusion(expected, predicted, labels):
if len(expected) != len(predicted) or len(set(labels)) != len(labels):
raise ValueError("labels or lengths")
index = {label: i for i, label in enumerate(labels)}
matrix = [[0] * len(labels) for _ in labels]
for actual, guess in zip(expected, predicted):
if actual not in index or guess not in index:
raise ValueError("unknown label")
matrix[index[actual]][index[guess]] += 1
return matrix✳ابن مصفوفة التباس من التسميات المتوقعة والمتنبأ بها.
✓ التغييراتراجع قبل التطبيق ↗
رسم توضيحي لمساحة العمل
راجع قبل التطبيق
قارن السلوك الفعلي بالنتيجة المتوقعة. إذا فشل فحص، تحقّق من السبب قبل إجراء تغييرات إضافية.
النماذج
اضبط نقطة اتصال متوافقة مع OpenAI أو Anthropic باستخدام العنوان الأساسي ومفتاح API عند الحاجة. اختبر الاتصال. يجب أن يعمل خادم النموذج المحلي؛ وقد ترسل الأدوات البعيدة البيانات بشكل منفصل.
سير العمل
def confusion(expected, predicted, labels):
if len(expected) != len(predicted) or len(set(labels)) != len(labels):
raise ValueError("labels or lengths")
index = {label: i for i, label in enumerate(labels)}
matrix = [[0] * len(labels) for _ in labels]
for actual, guess in zip(expected, predicted):
if actual not in index or guess not in index:
raise ValueError("unknown label")
matrix[index[actual]][index[guess]] += 1
return matrixاجعل شفرة التقييم قابلة للمراجعة كالنتيجة
يمنح MatrixTern المطورين مساحة ذكاء اصطناعي على Windows لفحص الشفرة وراء نتيجة تقييم. افتح مجلد المشروع وحدد ما يُفترض أن يقيسه التقرير قبل طلب التغييرات. تستطيع المحادثة حينها ربط الحساب بمدخلاته وبالشفرة التي تعرض النتيجة بدلاً من اعتبار رقم مطبوع دليلاً كافياً.
لتقرير تصنيف، اطلب من النموذج فحص كيفية تحول التسميات المتوقعة والمتنبأ بها إلى مصفوفة التباس. قدم ترتيب التسميات المعلن وعينة اختبار صغيرة يمكنك التحقق من أعدادها بنفسك. يوفر الطلب طريقة ملموسة لمناقشة التنفيذ دون افتراض تحقق مستقل سابق من التقرير.
استخدم التعديلات المقترحة لتوضيح الافتراضات المؤثرة في التفسير: هل تُرفض التسميات المجهولة، وكيف تُمثَّل الفئات الفارغة، وهل يجب تطابق أطوال المدخلات؟ راجع الملفات المتأثرة وشغّل اختبارات التقييم. قارن التسميات المعروضة بالمصفوفة الكامنة، إلى جانب التحقق من صحة المجاميع.
قد يتوفر نموذج ذكاء اصطناعي أزيلت منه قيود الرفض عبر نقطة النهاية المتوافقة مع OpenAI أو الخاصة بـ Anthropic التي تضبطها في MatrixTern. أضف بيانات الاعتماد عند الحاجة وافحص الاتصال. يحكم النموذج والخادم المختاران القيود والسياق والأدوات؛ وتظل مخرجاتهما مادة للتقييم مع أدلة المشروع.
فحص البرنامج وراء التقرير
ما عينة الاختبار الأولى المفيدة لتقرير تصنيف؟
استخدم تسلسلاً قصيراً فيه تنبؤ صحيح معروف وتصنيف خاطئ معروف، مع إبقاء ترتيب التسميات صريحاً. احسب الأعداد المتوقعة بشكل مستقل. يسهل ذلك اكتشاف تبديل المحورين أو عدم اتساق فهرسة التسميات أثناء المراجعة.
هل ينبغي اختفاء التسميات الغائبة عن العينة من المخرج؟
قرر ما إذا كان التقرير يستخدم مجموعة تسميات ثابتة أو يشتقها من كل عينة. اعرض المتطلب على النموذج وافحص شفرة العرض أيضاً. قد يصعّب اختفاء فئة مقارنة التقارير.
هل يرتب MatrixTern النماذج المتصلة نيابة عني؟
يتعلق سير العمل الموصوف هنا بمراجعة برنامج تقييمك. ليست استجابة النموذج نتيجة معيار مقاسة. أنت تحدد التجربة وتشغّل فحوصها وتفحص الأدلة الناتجة قبل استخلاص نتائج بشأن أي نظام.
كيف أتعامل مع عينات تقييم حساسة؟
استخدم عينات تمثيلية منزوعة البيانات الحساسة وراجع نقطة نهاية النموذج والأدوات المتصلة قبل مشاركة البيانات. حتى خادم النموذج المحلي الذي يعمل منفصلاً لا يجعل كل أداة محلية، لذا افحص مسار البيانات كاملاً.
MatrixTern · آخر تحديث 2026-10-25
