Makine Öğrenmesi Confusion Matrix Nedir?

Makine Öğrenmesi Confusion Matrix Nedir?

Confusion matrix, gerçek ve tahmin edilen değerleri içeren bir tablodur. Bu tablo, sınıflandırma problemlerinde modelin performansını ölçmek için kullanılır. Confusion matrix, birçok metrik elde etmek için kullanılır, özellikle doğruluk, hassasiyet, duyarlılık ve kesinlik gibi önemli metriklerin hesaplanması için kullanılır.

Confusion matrix, dört farklı hücreden oluşur:

• True Positive (TP): Gerçek pozitif sonuçların sayısı. Modelin bir sınıfı doğru bir şekilde pozitif olarak tahmin ettiği durumları ifade eder.
• True Negative (TN): Gerçek negatif sonuçların sayısı. Modelin bir sınıfı doğru bir şekilde negatif olarak tahmin ettiği durumları ifade eder.
• False Positive (FP): Yanlış pozitif sonuçların sayısı. Modelin bir sınıfı yanlış bir şekilde pozitif olarak tahmin ettiği durumları ifade eder.
• False Negative (FN): Yanlış negatif sonuçların sayısı. Modelin bir sınıfı yanlış bir şekilde negatif olarak tahmin ettiği durumları ifade eder.

Confusion matrix'in sağladığı bu dört metrik, makine öğrenmesi modele dayalı birçok kararın alınmasına yardımcı olur. Bir modelin performansını değerlendirmek için, doğruluk (accuracy) metriği kullanılabilir. Bu metrik, doğru sonuçların toplam tahmin sayısına oranını temsil eder. Yüksek doğruluk, güvenilir ve doğru tahminlerin olduğunu gösterir. Ancak, sınıflar dengesizse ve bir sınıfın diğerine göre daha çok temsil edildiği durumlarda, doğruluk yanıltıcı olabilir. Bu durumda, hassasiyet(precision) ve duyarlılık(recall) metrikleri daha faydalı olabilir.

Hassasiyet, pozitif olarak tahmin edilen durumların gerçekte ne kadar doğru olduğunu ölçer. TP / (TP + FP) formülü ile hesaplanır. Yani, sahte pozitif sonuçların gerçek pozitif sonuçlarla oranı hesaplanır. Yüksek hassasiyet, düşük yanlış pozitif sonuçların olduğunu gösterir.

Duyarlılık ise gerçek pozitif sonuçların ne kadar doğru tahmin edildiğini ölçer. TP / (TP + FN) formülü ile hesaplanır. Gerçek pozitif sonuçların yanlış negatif sonuçlara oranı hesaplanır. Yüksek duyarlılık, düşük yanlış negatif sonuçların olduğunu gösterir.

Bununla birlikte, kesinlik metriği de güvenilir bir ölçüdür. TP / (TP + FP) formülü ile hesaplanır. Doğru pozitif sonuçların toplam pozitif tahmin sayısına oranını temsil eder. Yüksek kesinlik, düşük yanlış pozitif sonuçların olduğunu gösterir.

Tüm bu metrikler, confusion matrix sayesinde elde edilebilir ve modelin performansını anlamak için kullanılabilir. Bu metrikler, bir modelin doğru tahmin ettiği pozitif sonuçların ve yanlış tahmin ettiği negatif sonuçların sayısını belirlemek için önemli bir temel sağlar. Bu sayede, modelin güvenirliği ve performansı hakkında bilgi edinmek mümkün olur.

Sıkça Sorulan Sorular

Makine öğrenmesi modellerinin performansını değerlendirmek için kullanılan bir metriktir. Confusion matrix, bir sınıflandırma modelinin gerçek ve tahmin edilen değerlerini karşılaştırarak True Positive, False Positive, True Negative ve False Negative değerlerini hesaplar.

Confusion matrix, gerçek ve tahmin edilen değerleri dört farklı kategoriye ayırır: True Positive (TP), False Positive (FP), True Negative (TN) ve False Negative (FN).

True Positive, bir sınıfın gerçek değeri pozitif iken, modelin doğru bir şekilde bu sınıfı pozitif olarak tahmin ettiği durumu ifade eder. Yani, gerçek pozitiflerin sayısını temsil eder.

False Positive, bir sınıfın gerçek değeri negatif iken, modelin yanlış bir şekilde bu sınıfı pozitif olarak tahmin ettiği durumu ifade eder. Yani, yanlış pozitiflerin sayısını temsil eder.

False Negative, bir sınıfın gerçek değeri pozitif iken, modelin yanlış bir şekilde bu sınıfı negatif olarak tahmin ettiği durumu ifade eder. Yani, yanlış negatiflerin sayısını temsil eder.