Doğruluk (Accuracy) Hesaplama — Sınıflandırma Doğruluğu (TP, TN, FP, FN)

Doğruluk (oran)	0,75
Doğru tahminler (TP + TN)	150
Toplam tahmin sayısı	200

Doğruluk (Accuracy) Hesaplama Aracı nedir?

Doğruluk (accuracy), bir sınıflandırma modelini değerlendirmek için en sık kullanılan metriklerden biridir. Modelin yaptığı tüm tahminler içinde doğru bildiklerinin oranını ölçer — hem doğru pozitif hem de doğru negatif tahminleri kapsar. Bu araç, bir karmaşıklık matrisinin (confusion matrix) dört hücresini alıp doğruluğu hem oran hem de yüzde olarak ifade eden bir skora dönüştürür.

Nasıl kullanılır?

Karmaşıklık matrisinizdeki dört değeri girin:

TP (Doğru Pozitifler / True Positives) — pozitif olan ve doğru şekilde pozitif tahmin edilen örnekler.
TN (Doğru Negatifler / True Negatives) — negatif olan ve doğru şekilde negatif tahmin edilen örnekler.
FP (Yanlış Pozitifler / False Positives) — negatif olduğu hâlde yanlışlıkla pozitif tahmin edilen örnekler.
FN (Yanlış Negatifler / False Negatives) — pozitif olduğu hâlde yanlışlıkla negatif tahmin edilen örnekler.

Araç doğruluğu otomatik olarak hesaplar. Elinizde araç yoksa dört sayıyı toplayıp aşağıdaki formülü uygulamanız yeterli.

Formül açıklaması

Doğruluk:

$$\text{Doğruluk} = \dfrac{TP + TN}{TP + TN + FP + FN}$$

Paydaki ifade tüm doğru tahminleri sayar; paydadaki ifade ise toplam tahmin sayısını verir. Yüzdeye çevirmek için sonucu 100 ile çarpın.

$$\text{Doğruluk \%} = \text{Doğruluk} \times 100$$

Reklam

TP, TN, FP ve FN hücrelerini gösteren 2x2 karışıklık matrisi — Karışıklık matrisinin dört sonucu: doğru tahminler (TP, TN) yeşil, hatalar (FP, FN) kırmızı.

Örnek hesaplama

Diyelim ki bir model $TP = 80$, $TN = 70$, $FP = 20$, $FN = 30$ sonuçlarını üretti. Doğru tahminler $= 80 + 70 = 150$. Toplam $= 80 + 70 + 20 + 30 = 200$.

$$\text{Doğruluk} = \dfrac{150}{200} = 0{,}75 = \%75$$

Farklı Senaryolarda Doğruluk

Aynı doğruluk formülü $\text{Doğruluk} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{YP} + \text{YN}} \times 100\%$ çok farklı model davranışlarını gizleyebilir. Aşağıdaki senaryoların her biri toplam 100 olayı kullanıyor, böylece yüzdeler doğrudan karşılaştırılabilir.

Senaryo	TP	TN	YP	YN	Doğruluk
Dengeli veri seti, iyi model	45	45	5	5	%90
Dengesiz, çoğunluk-negatif (nadir hastalık)	2	93	2	3	%95
"Her zaman negatif tahmin et" temeli	0	95	0	5	%95
Yüksek yanlış pozitifler (aşırı işaretleme)	48	22	28	2	%70
Yüksek yanlış negatifler (kaçırılan pozitifler)	20	50	0	30	%70

Temel sonuç, ikinci ve üçüncü satırlar arasındaki karşılaştırmadır: çoğunluk sınıfını tahmin ederek hiçbir şey yapmayan bir model, gerçekten bazı pozitif durumları algılayan bir model ile aynı %95'i alır. Dengeli bir veri seti üzerinde (satır 1) doğruluk çok daha bilgilendiricidir. Son iki satır, aynı %70 doğruluğa sahip iki modelin karşıt, birbiriyle uyumsuz şekillerde başarısız olabileceğini gösterir — biri sizi yanlış alarmlarla seler, diğeri sessizce pozitifleri kaçırır.

Doğruluk Puanınızı Yorumlama

Doğruluk, sınıflandırıcının aldığı tüm tahminlerin kesri — hem pozitifler hem de negatifler. %90 doğruluk, her 10 olaydan 9'unun doğru şekilde etiketlendiği ve tamamlayıcı hata oranının $100\% - 90\% = 10\%$ olduğu anlamına gelir. Sezgisel ve iletişim kurması kolay olması nedeniyle tam olarak bu nedenle sık sık yanlış okunur.

Her zaman no-information temelini ile karşılaştırın. En dürüst sağlamlık kontrolü, çoğunluk sınıfı temel çizgisidir: her zaman en yaygın sınıfı tahmin ederek alacağınız doğruluk. Olaylarınızın %95'i negatifse, kör bir şekilde her zaman "negatif" tahmin eden bir sınıflandırıcı zaten %95'i puanlandırır. Gerçek bir model, değerli olması için bu temeli yenmelidir — %95 doğruluk 50/50 bölünüş üzerinde etkileyicidir ve 95/5 bölünüş üzerinde değersizdir.

Yüksek doğruluk yanıltıcı olduğunda. Şiddetle dengesiz veri üzerinde, doğruluk çoğunluk sınıfı tarafından yönetilir. Bir dolandırıcılık dedektörü, nadir hastalık ekranı veya kusur dedektörü, gerçekten önemli olan nadir pozitif durumların neredeyse hiçbirini yakalamayan %99 doğruluk bildirebilir. Bu ayarlarda, yanlış negatif ile yanlış pozitif maliyeti genellikle çok farklıdır ve tek bir genel yüzde bunu yakalayamaz.

Doğruluğu tamamlayan metrikler:

Kesinlik — pozitif olarak tahmin edilen durumların kaçı gerçekten pozitifti: $\text{TP}/(\text{TP}+\text{YP})$. Yanlış pozitifler pahalı olduğunda kullanın.
Geri çağırma (duyarlılık) — gerçek pozitiflerin kaçını yakaladınız: $\text{TP}/(\text{TP}+\text{YN})$. Bir pozitifi kaçırmak pahalı olduğunda kullanın.
Özgüllük — gerçek negatiflerin kaçını doğru şekilde temizlediniz: $\text{TN}/(\text{TN}+\text{YP})$.
F1 puanı — kesinlik ve geri çağırmanın harmonik ortalaması, pozitif sınıfta ikisini dengeleyen tek bir sayı.
Dengeli doğruluk — duyarlılık ve özgüllüğün ortalaması, sınıf dengesizliğini düzeltir ve sınıflar çarpık olduğunda daha iyi bir manşet rakamıdır.

Yukarıdaki dengeli örnek için (TP=45, YP=5, YN=5), geri çağırma ve kesinlik her ikisi de $45/50 = \%90$, bu nedenle doğruluk, kesinlik ve geri çağırma uyumlu — veri setinin iyi şekilde dengelendiğinin bir işareti. Keskin bir şekilde farklılık gösterdiklerinde, tek doğruluk numarasının üzerinde sınıf başına metriklere güvenin. Bu genel teknik bilgidir, belirli sorununuzun alan spesifik değerlendirmesinin yerine geçmez.

Reklam

Tanımlar & Sözlük

Doğru Pozitif (TP): Model tarafından doğru şekilde pozitif olarak tahmin edilen pozitif bir durum (örneğin, hasta olarak işaretlenmiş bir hasta).
Doğru Negatif (TN): Model tarafından doğru şekilde negatif olarak tahmin edilen negatif bir durum (örneğin, sağlıklı olarak temizlenmiş sağlıklı bir hasta).
Yanlış Pozitif (YP): Yanlışlıkla pozitif olarak tahmin edilen negatif bir durum — yanlış bir alarm. Ayrıca Tip I hata olarak da adlandırılır.
Yanlış Negatif (YN): Yanlışlıkla negatif olarak tahmin edilen pozitif bir durum — bir kaçırma. Ayrıca Tip II hata olarak da adlandırılır.
Karışıklık matrisi: Tahmin edilen sınıfları gerçek sınıflara çapraz tablolayan 2×2 tablo, TP, TN, YP ve YN'yi dört hücresi olarak içerir. Neredeyse tüm sınıflandırma metriklerinin kaynağıdır.
Doğruluk: Doğru olan tahminlerin oranı: $(\text{TP}+\text{TN})/(\text{TP}+\text{TN}+\text{YP}+\text{YN})$, genellikle yüzde olarak ifade edilir.
Hata oranı: Yanlış olan tahminlerin oranı: $(\text{YP}+\text{YN})/(\text{TP}+\text{TN}+\text{YP}+\text{YN}) = 1 - \text{Doğruluk}$.
Kesinlik: Pozitif tahmin değeri: $\text{TP}/(\text{TP}+\text{YP})$ — bir pozitif tahminin ne kadar güvenilir olduğu.
Geri çağırma: Duyarlılık veya doğru pozitif oran: $\text{TP}/(\text{TP}+\text{YN})$ — kaç gerçek pozitif bulundu.
Özgüllük: Doğru negatif oran: $\text{TN}/(\text{TN}+\text{YP})$ — kaç gerçek negatif doğru şekilde tanımlandı.
F1 puanı: Kesinlik ve geri çağırmanın harmonik ortalaması: $2 \cdot \frac{\text{kesinlik} \cdot \text{geri çağırma}}{\text{kesinlik} + \text{geri çağırma}}$, pozitif sınıf performansının tek dengeli ölçüsü.

Sıkça sorulan sorular

Doğruluk her zaman iyi bir metrik midir? Hayır. Dengesiz veri kümelerinde (örneğin örneklerin %95'i negatifse) bir model her zaman çoğunluk sınıfını tahmin ederek yüksek doğruluk elde edebilir. Bu nedenle kesinlik (precision), duyarlılık (recall) ve F1 skorunu da kontrol edin.

Doğruluk hangi aralıkta değer alır? 0 (tüm tahminler yanlış) ile 1 (tüm tahminler doğru) arasında, yani %0 ile %100 arasında değer alır.

Çok sınıflı problemlerde de işe yarar mı? Evet — $TP + TN$ değerini tüm sınıflar genelinde doğru sınıflandırılan örneklerin toplamı, paydayı ise toplam örnek sayısı olarak ele alın.