فروق بين r2_score في scikit-learn وMSELoss في PyTorch

تحظى مكتبات التعلم الآلي بانتشار واسع في مجالات متعددة، حيث تتنافس مجموعة من المكتبات مثل Scikit-learn وPyTorch لتقديم أفضل الأدوات للمطورين والباحثين. وفي إطار هذه المكتبات، قد يواجه المستخدمون تناقضات في النتائج بين وظائف معينة، مثل r2_score() في Scikit-learn وMSELoss() في PyTorch. في هذا المقال، سنستعرض تلك التناقضات ونعكس السبب وراء الاختلاف بين النتائج المقدمة من المكتبتين.

فهم r2_score() وMSELoss()

تعتبر وظيفة r2_score() من مكتبة Scikit-learn معيارًا شائعًا لتقييم جودة النماذج، حيث تعبر عن نسبة التباين المفسر بواسطة النموذج مقارنةً بالتباين الكلي للبيانات. من ناحية أخرى، تعد MSELoss() من PyTorch دالة خسارة تستخدم لقياس متوسط مربعات الأخطاء (MSE) بين القيم الحقيقية والقيم المتوقعة. كلا الطريقتين تهدفان إلى تقييم أداء النموذج، لكنهما تستخدمان طرقاً مختلفة لتحقيق ذلك.

أسباب اختلاف النتائج

اكتشف بعض الباحثين اختلافًا طفيفًا بين درجات R2 التي تم الحصول عليها من كل من Scikit-learn وPyTorch. وفقًا لمثال برمجي تم تطويره، لوحظ أن grade R2 المستخرجة باستخدام PyTorch كانت دائمًا أعلى قليلاً من تلك التي تم الحصول عليها من Scikit-learn.

يمكن تفسير هذا الاختلاف بطرق الحساب المختلفة التي تعتمد عليها المكتبتان. فعلى سبيل المثال، تأخذ دالة MSELoss() موترات كمدخلات، بينما تعمل دالة r2_score() على التعامل مع البيانات كقوائم. هذا الاختلاف في تنسيق البيانات قد يؤثر بشكل غير مباشر على القيم النهائية.

الكود المستخدم

لإعادة إنتاج هذا الفرق، تم استخدام الكود التالي:

from sklearn.metrics import r2_score
from torch.nn import MSELoss
import torch
import random
import numpy as np
actuals = random.sample(range(1, 50), 40)
preds = []
for value in actuals:
    pred = value * 0.70
    preds.append(pred)
loss = MSELoss()
mse = loss(torch.tensor(preds), torch.tensor(actuals))
r2 = 1 - mse.item() / np.var(actuals)
score = r2_score(actuals, preds)
print(f'R2 النتيجة باستخدام (PyTorch) MSELoss: {r2}')
print(f'R2 النتيجة باستخدام (sklearn) r2_score: {score}')

يسلط هذا الكود الضوء على الاختلاف الطفيف في درجات R2. على سبيل المثال، قد تشير النتيجة من PyTorch إلى 0.626، بينما تعكس النتيجة من Scikit-learn قيمة 0.616، مما يوضح أن هناك ثمّة فارقًا صغيرًا يتطلب فهمًا أدق للميكانيكيات المستخدمة.

تحليل النتائج

قد تتسبب عدة عوامل في هذا التباين. قد يكون ذلك بسبب كيفية استبعاد البيانات الشاذة أو الطريقة التي تتعامل بها المكتبات مع القيم الفعلية والتوقعات. من الممكن أن تأخذ المكتبات في الاعتبار بعض العوامل الخفية المتعلقة برسم البيانات وتحليلها، مما قد يؤدي إلى اختلافات طفيفة في النتائج.

أيضًا، يجب على المستخدمين أن يأخذوا في اعتبارهم إعدادات البيئة الخاصة بهم، مثل إصدارات المكتبات والمكونات، حيث تم استخدام PyTorch 2.1.0 وScikit-learn 1.4.2 في المثال الذي تم ذكره.

الخاتمة

تعد الفروق بين مكتبات التعلم الآلي مثل Scikit-learn وPyTorch موضوعًا مثيرًا للنقاش. خاصة عند مقارنة الدوال المختلفة مثل r2_score() وMSELoss()، فمن المهم أن نفهم كيفية تأثير الطرق المستخدمة على النتائج النهائية. هذه الاختلافات ليست بالضرورة خطأ، بل هي نتاج طرق حسابية مختلفة. التعمق في فهم هذه الاختلافات يمكن أن يعزز من مهارات الباحثين ويجعلهم أكثر كفاءة في استخدام الأدوات المتاحة لهم.

من خلال تحليل هذه التناقضات، نكون قد تمكنا من تصحيح المسار وتقديم أداة تحليلية أكثر دقة في مشروعات التعلم الآلي المستقبلية.