Başlangıç İçin...
Doğruluk Nedir? Yapay Sinir
Ağlarında Kesinlik Nedir?
Doğruluk
(Accuracy)
Doğruluk, toplam tahmin sayısına
kıyasla doğru tahminlerin (hem doğru pozitifler hem de doğru negatifler)
oranıdır. Modelin ne kadar iyi performans gösterdiğinin genel bir ölçüsüdür.
Formül:
Accuracy = Number of Correct Predictions / Total Number of Predictions
İkili sınıflandırma problemi için:
Accuracy = TP + TN / TP + TN + FP + FN
Burada:
- TP (Doğru Pozitifler): Doğru olarak pozitif
tahmin edilen örnekler
- TN (Doğru Negatifler): Doğru olarak negatif
tahmin edilen örnekler
- FP (Yanlış Pozitifler): Yanlış olarak pozitif
tahmin edilen örnekler
- FN (Yanlış Negatifler): Yanlış olarak negatif
tahmin edilen örnekler
Kesinlik
(Precision)
Kesinlik, model tarafından yapılan
tüm pozitif tahminler arasından doğru pozitif tahminlerin oranıdır. Pozitif
tahminlerin doğruluğuna odaklanır.
Formül:
Precision = TP / TP+FP
Kesinlik, yanlış pozitiflerin
maliyetinin yüksek olduğu durumlarda özellikle faydalıdır. Modelin pozitif
olarak tahmin ettiği örneklerin ne kadarının gerçekten pozitif olduğunu
gösterir.
Örnek
Doğruluk ve kesinliği açıklamak
için bir örnek düşünelim:
- TP (Doğru Pozitifler): 40
- TN (Doğru Negatifler): 30
- FP (Yanlış Pozitifler): 10
- FN (Yanlış Negatifler): 20
Doğruluk:
Accuracy = TP+TN / TP + TN + FP + FN
Accuracy = 40
+ 30 / 40 + 30 + 10 + 20 = 70 / 100 = 0.70
Bu yüzden, doğruluk %70'dir.
Kesinlik:
Precision = TP / TP +
FP = 40 / 40 + 10
Precision = 40
/ 50 = 0.80
Bu yüzden, kesinlik %80'dir.
Yapay Sinir
Ağlarında Önemi
- Doğruluk, modelin tüm sınıflarda ne kadar iyi
performans gösterdiğine dair genel bir ölçüye ihtiyaç duyduğunuzda
faydalıdır.
- Kesinlik, yanlış pozitiflerin maliyetinin
yüksek olduğu durumlarda, örneğin tıbbi teşhislerde (sağlıklı bir kişiyi
yanlışlıkla hasta olarak teşhis etmek istemediğinizde) kritiktir.
Bu iki metriği birlikte kullanmak,
özellikle bir sınıfın baskın olduğu dengesiz veri kümelerinde modelin
performansını daha kapsamlı bir şekilde değerlendirmenizi sağlar.
Yapay
Sinir Ağlarında Doğruluk
- Performansın Genel Ölçüsü: Doğruluk, toplam tahminler
içerisindeki doğru tahminlerin (hem doğru pozitifler hem de doğru
negatifler) oranını hesaplayarak modelin ne kadar iyi performans
gösterdiğine dair basit ve genel bir ölçü sağlar.
- Sınırlama: Doğruluk faydalıdır, ancak
özellikle dengesiz veri kümelerinde yanıltıcı olabilir.
Yapay
Sinir Ağlarında Kesinlik
- Yanlış Pozitiflerin Yüksek
Maliyeti Durumunda Kritik: Kesinlik, model tarafından yapılan tüm pozitif
tahminler arasından doğru pozitif tahminlerin oranını ölçer. Yanlış
pozitiflerin maliyetinin yüksek olduğu durumlarda özellikle önemlidir.
Örneğin:
- Tıbbi Teşhis: Sağlıklı bir kişiyi hasta
olarak yanlış teşhis etmek (yanlış pozitif), gereksiz strese, ek testlere
ve tedavilere yol açabilir.
- Spam Tespiti: Yasal bir e-postayı spam
olarak işaretlemek (yanlış pozitif), kullanıcıların önemli mesajları
kaçırmasına neden olabilir.
Dengesiz
Veri Kümeleri
Dengesiz bir
veri kümesi, sınıfların eşit şekilde temsil edilmediği bir veri kümesidir.
Örneğin, tıbbi bir veri kümesinde %99 sağlıklı hastalar ve %1 hasta hastalar
olabilir. Bu dengesizlik, model değerlendirmesi ve performansında sorunlara yol
açabilir.
Örnek Senaryo
- Veri Kümesi: 1000 örnek, 990 sağlıklı (negatif
sınıf) ve 10 hasta (pozitif sınıf).
- Model: Tüm hastaları sağlıklı olarak
tahmin eden bir model, %99 doğruluğa sahip olacaktır (990/1000), ancak hiç
hasta bir hastayı doğru şekilde tespit edemeyecektir.
Hem
Doğruluk Hem de Kesinlik Kullanma
- Kapsamlı Görünüm: Hem doğruluk hem de kesinlik
kullanarak, modelin performansını daha ayrıntılı bir şekilde
anlayabilirsiniz. Bu, özellikle bir sınıfın baskın olduğu dengesiz veri
kümelerinde değerlidir.
- Doğruluk: Modelin genel doğruluğunu
gösterir.
- Kesinlik: Modelin pozitif bir sınıfı
tahmin ettiğinde doğru olma olasılığını sağlar.
Açıklayıcı Örnek
Bir
dolandırıcılık tespit sistemi hayal edin:
- Dengesiz Veri Kümesi: 10,000 işlem, 9,900 yasal
(negatif sınıf) ve 100 dolandırıcı (pozitif sınıf).
- Yüksek Doğruluk ama Düşük
Kesinlik: Çoğu
işlemi yasal olarak tahmin eden bir model, yüksek doğruluğa sahip
olabilir, ancak birçok dolandırıcılık işlemini kaçırabilir ve düşük
kesinliğe sahip olur.
- Geliştirilmiş Model: Kesinliğe odaklanarak, model
dolandırıcılık işlemlerini doğru bir şekilde tespit etme yeteneğini
artırır, genel doğruluk biraz düşse bile.
Pratik
İpuçları
- Metriği Dengeleyin: Model performansını tam
olarak anlamak için her zaman birden fazla metriği (doğruluk, kesinlik,
geri çağırma, F1 skoru) dikkate alın.
- Dengesizliği Ele Alma: Azınlık sınıfını yeniden
örnekleme (over-sampling) veya çoğunluk sınıfını yeniden örnekleme
(under-sampling), farklı değerlendirme metrikleri kullanma (örneğin, F1
skoru) veya dengesizliği ele almak için tasarlanmış gelişmiş algoritmalar
uygulama gibi teknikler yardımcı olabilir.
Özet
Doğruluk ve
kesinlik, yapay sinir ağlarında her ikisi de kritik metriklerdir:
- Doğruluk: Performansın genel bir ölçüsü
olarak faydalıdır, ancak dengesiz veri kümelerinde yanıltıcı olabilir.
- Kesinlik: Yanlış pozitiflerin
maliyetinin yüksek olduğu durumlarda önemlidir ve pozitif tahminlerin
güvenilirliği hakkında daha net bir tablo sunar.
- Dengesiz Veri Kümeleri: Gerçek dünya senaryolarında
yaygındır ve sağlam bir model değerlendirmesi sağlamak için dikkatli bir
şekilde ele alınması ve birden fazla metrik dikkate alınması gerekir.
Bu
metriklerin bir kombinasyonunu kullanmak, modelin gerçekten ne kadar iyi
performans gösterdiğini daha kapsamlı bir şekilde anlamanızı sağlar, özellikle
bir sınıfın diğerine göre önemli ölçüde daha fazla olduğu durumlarda.
