tag degerlendirme-metrigi
Bu sayfada degerlendirme-metrigi etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Confusion Matrix (Karışıklık Matrisi), bir sınıflandırma modelinin tahminlerini gerçek etiketlerle karşılaştırarak performansını dört temel metrik üzerinden özetleyen bir tablodur. İkili sınıflandırmada dört hücre bulunur: Gerçek Pozitif (TP), Yanlış Pozitif (FP), Yanlış Negatif (FN) ve Gerçek Negatif (TN). Her hücrenin anlamı şöyledir: TP, modelin pozitif dediği ve gerçekten pozitif olan örneklerdir. TN, modelin negatif dediği ve gerçekten negatif olan örneklerdir. FP (Tip I Hata), modelin yanlışlıkla pozitif dediği örneklerdir. FN (Tip II Hata), modelin yanlışlıkla negatif dediği örneklerdir. Bu dört değerden birçok türev metrik hesaplanır. Doğruluk (Accuracy) = (TP + TN) / Toplam, tüm tahminler arasındaki doğru oranıdır. Kesinlik (Precision) = TP / (TP + FP), modelin pozitif dediği örneklerin ne kadarının gerçekten pozitif olduğunu gösterir. Duyarlılık (Recall / Sensitivity) = TP / (TP + FN), gerçek pozitif örneklerin ne kadarının yakalandığını ölçer. F1 Skoru, precision ve recall'ın harmonik ortalamasıdır: 2 × (Precision × Recall) / (Precision + Recall). Sınıf dengesizliği durumunda accuracy yanıltıcı olabilir. Örneğin yüzde doksan oranında negatif örnek içeren bir veri setinde model her şeyi negatif tahmin etse yüzde doksan doğruluk elde eder; ancak confusion matrix bu durumu anında ortaya koyar: FN sütunu tamamen dolu, TP sütunu ise sıfırdır. Çok sınıflı problemlerde confusion matrix N×N boyutuna genişler; köşegen elemanlar doğru tahminleri, köşegen dışı elemanlar ise yanlış sınıflandırmaları gösterir. Hangi sınıfların birbirine karıştırıldığını anlamak için idealdir. Tıbbi tanı sistemlerinde yanlış negatif (hastalığı kaçırmak) genellikle yanlış pozitiften (gereksiz tetkik) daha maliyetlidir; bu nedenle recall optimize edilir. Spam filtreleme sistemlerinde ise yanlış pozitif (geçerli e-postayı spam saymak) daha kabul edilemez olduğundan precision ön planda tutulur.
Confusion Matrix (Karışıklık Matrisi)
Confusion Matrix (Karışıklık Matrisi), bir sınıflandırma modelinin tahminlerini gerçek etiketlerle karşılaştırarak performansını dört temel metrik üzerinden özetleyen bir tablodur. İkili sınıflandırmada dört hücre bulunur: Gerçek Pozitif (TP), Yanlış Pozitif (FP), Yanlış Negatif (FN) ve Gerçek Negatif (TN). Her hücrenin anlamı şöyledir: TP, modelin pozitif dediği ve gerçekten pozitif olan örneklerdir. TN, modelin negatif dediği ve gerçekten negatif olan örneklerdir. FP (Tip I Hata), modelin yanlışlıkla pozitif dediği örneklerdir. FN (Tip II Hata), modelin yanlışlıkla negatif dediği örneklerdir. Bu dört değerden birçok türev metrik hesaplanır. Doğruluk (Accuracy) = (TP + TN) / Toplam, tüm tahminler arasındaki doğru oranıdır. Kesinlik (Precision) = TP / (TP + FP), modelin pozitif dediği örneklerin ne kadarının gerçekten pozitif olduğunu gösterir. Duyarlılık (Recall / Sensitivity) = TP / (TP + FN), gerçek pozitif örneklerin ne kadarının yakalandığını ölçer. F1 Skoru, precision ve recall'ın harmonik ortalamasıdır: 2 × (Precision × Recall) / (Precision + Recall). Sınıf dengesizliği durumunda accuracy yanıltıcı olabilir. Örneğin yüzde doksan oranında negatif örnek içeren bir veri setinde model her şeyi negatif tahmin etse yüzde doksan doğruluk elde eder; ancak confusion matrix bu durumu anında ortaya koyar: FN sütunu tamamen dolu, TP sütunu ise sıfırdır. Çok sınıflı problemlerde confusion matrix N×N boyutuna genişler; köşegen elemanlar doğru tahminleri, köşegen dışı elemanlar ise yanlış sınıflandırmaları gösterir. Hangi sınıfların birbirine karıştırıldığını anlamak için idealdir. Tıbbi tanı sistemlerinde yanlış negatif (hastalığı kaçırmak) genellikle yanlış pozitiften (gereksiz tetkik) daha maliyetlidir; bu nedenle recall optimize edilir. Spam filtreleme sistemlerinde ise yanlış pozitif (geçerli e-postayı spam saymak) daha kabul edilemez olduğundan precision ön planda tutulur.
F1 Skoru (F1 Skoru)
F1 skoru, bir sınıflandırma modelinin başarımını tek bir sayıyla ifade eden temel değerlendirme metriğidir. Kesinlik (precision) ve duyarlılık (recall) olmak üzere iki kritik ölçütü harmonik ortalama yoluyla birleştirir: F1 = 2 × (Precision × Recall) / (Precision + Recall). Kesinlik, modelin "pozitif" olarak tahmin ettiği örneklerin gerçekten pozitif olanlarının oranıdır (TP / (TP + FP)); yanlış alarma (false positive) duyarlılığı ölçer. Duyarlılık ise gerçekte pozitif olan tüm örnekler arasında modelin doğru tespit ettiklerinin oranıdır (TP / (TP + FN)); kaçırılan vakaları (false negative) yansıtır. Bu iki metrik çoğunlukla ters yönde hareket eder: kesinliği artırmak duyarlılığı düşürebilir. Harmonik ortalama, düşük olan değeri daha fazla aşağıya çektiği için her iki metrik de yüksek olmadıkça F1 yükselemez. Örneğin Precision = 1.0, Recall = 0.1 iken aritmetik ortalama 0.55 verirken F1 yalnızca 0.182 olur; bu sayede model, iki metrikteki dengeyi korumak zorunda kalır. Dengesiz veri setlerinde—spam tespiti, kredi kartı dolandırıcılığı, nadir hastalık teşhisi gibi problemlerde—ham doğruluk oranı (accuracy) yanıltıcıdır. Binde biri pozitif olan bir veri setinde tüm örnekleri negatif tahmin eden model %99.9 doğruluk elde eder; ancak F1 skoru sıfır olur. F1, bu tür görevlerde azınlık sınıfının gerçek başarımını yansıtan birincil metriktir. Çok sınıflı problemlerde tek bir F1 değeri üç yöntemle hesaplanır: makro F1 (her sınıfa eşit ağırlık), mikro F1 (global TP/FP/FN toplamlarından) ve ağırlıklı F1 (sınıf büyüklüğüne orantılı ağırlık). Hangi varyantın seçileceği, problemin iş gereksinimlerine ve sınıf dengesizliğine göre belirlenir.