Confusion Matrix (Karışıklık Matrisi)

#degerlendirme-metrigi #siniflandirma #makine-ogrenmesi #veri-bilimi

Sınıflandırma modellerinin performansını tahmin edilen ve gerçek etiketleri karşılaştırarak görselleştiren 2×2 (veya N×N) değerlendirme tablosu.

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 Nedir?

Confusion Matrix, bir sınıflandırma modelinin tahminlerini gerçek etiketlerle karşılaştıran bir performans değerlendirme tablosudur. İkili sınıflandırmada 2×2 boyutunda dört hücre içerir: Gerçek Pozitif (TP) — model pozitif dedi, gerçekten pozitif; Yanlış Pozitif (FP) — model pozitif dedi, gerçekte negatif; Yanlış Negatif (FN) — model negatif dedi, gerçekte pozitif; Gerçek Negatif (TN) — model negatif dedi, gerçekten negatif. Köşegen elemanlar (TP + TN) doğru tahminleri, köşegen dışı elemanlar (FP + FN) hataları temsil eder.

Türev Metrikler

  • check_circle Doğruluk (Accuracy): (TP + TN) / (TP + TN + FP + FN). Tüm tahminler arasındaki doğru oranıdır. Sınıf dengesizliğinde yanıltıcı olabilir.
  • check_circle Kesinlik (Precision): TP / (TP + FP). Modelin pozitif dediği örneklerin gerçekten pozitif olma oranı. Yanlış alarmı minimize etmek için optimize edilir.
  • check_circle Duyarlılık / Geri Çağırma (Recall / Sensitivity): TP / (TP + FN). Gerçek pozitif örneklerin ne kadarının yakalandığı. Tıbbi tanı gibi kaçırmanın maliyetli olduğu alanlarda kritiktir.
  • check_circle F1 Skoru: 2 × (Precision × Recall) / (Precision + Recall). Precision ve recall arasındaki dengeyi tek bir metrikle özetler; dengesiz veri setlerinde accuracy'ye göre çok daha bilgilendiricidir.
  • check_circle Özgüllük (Specificity): TN / (TN + FP). Gerçek negatifleri doğru tanımlama oranı. Recall ile birlikte ROC eğrisinin eksenlerini oluşturur.

Sınıf Dengesizliği ve Accuracy'nin Yanıltıcılığı

Yüzde doksanı negatif sınıfa ait örneklerden oluşan bir veri setinde, model her şeyi negatif tahmin etse yüzde doksan doğruluk elde eder. Oysa confusion matrix bu durumu anında açığa çıkarır: FN sütunu tamamen dolu, TP sütunu ise sıfırdır. Bu nedenle dengesiz veri setlerinde F1 skoru, AUC-ROC veya sınıf bazlı precision/recall değerleri tercih edilir.

Çok Sınıflı Confusion Matrix

N sınıflı bir problemde matris N×N boyutuna genişler. Her satır gerçek sınıfı, her sütun tahmin edilen sınıfı temsil eder. Köşegen elemanlar doğru sınıflandırmaları gösterirken köşegen dışı hücreler hangi sınıfların birbirine karıştırıldığını ortaya koyar. Örneğin görüntü sınıflandırma modellerinde kedi ile köpek sınıfları arasındaki yüksek karışıklık, modelin bu iki kategoriyi ayırt etmekte zorlandığını gösterir.

Uygulama Alanlarına Göre Öncelikler

Tıbbi tanı sistemlerinde yanlış negatif (hastalığı kaçırmak) çok daha maliyetlidir; bu nedenle recall/sensitivity optimize edilir. Spam filtrelemede yanlış pozitif (geçerli e-postayı spam saymak) daha kabul edilemez olduğundan precision önceliklidir. Kredi dolandırıcılığı tespitinde ise hem yanlış pozitifin (müşteri deneyimi bozulur) hem de yanlış negatifin (dolandırıcılık geçer) maliyeti yüksektir; F1 veya dengelenmiş metrikler kullanılır.

Sık Sorulan Sorular

  • check_circle Confusion matrix neden bu kadar önemlidir?: Tek bir doğruluk değerinin göremediği hata tiplerini (FP ve FN) ayrı ayrı göstererek modelin gerçek zayıflıklarını ortaya koyar.
  • check_circle Precision mi, recall mi daha önemli?: Göreve bağlıdır. Yanlış alarmın maliyeti yüksekse precision, bir şeyi kaçırmanın maliyeti yüksekse recall önceliklidir. İkisi arasında denge gerekiyorsa F1 skoru kullanılır.
  • check_circle Dengesiz veri setinde ne kullanmalıyım?: Accuracy yerine F1 skoru, AUC-ROC veya class-weighted precision/recall kullanın. Confusion matrix her zaman ayrıca incelenmeli ve azınlık sınıfının TP/FN değerleri kontrol edilmelidir.
  • check_circle Confusion matrix nasıl yorumlanır?: Köşegen elemanları güçlüyse model iyi sınıflandırıyor demektir. Belirli hücreler yüksekse (örn. FP), model hangi sınıfları karıştırdığını anlaşılır biçimde ortaya koyar.