Bu Hesaplayıcı Ne İşe Yarar?
Bu araç, bir ikili sınıflandırma modelinin performansını üç temel metrik üzerinden değerlendirir: kesinlik (precision), duyarlılık (recall) ve F1 skoru. Karmaşıklık matrisinizden (confusion matrix) gelen ham sayıları girersiniz — doğru pozitifler (TP), yanlış pozitifler (FP) ve yanlış negatifler (FN) — araç da her metriği yüzde olarak döndürür. Bu metrikler makine öğrenmesinde, bilgi erişiminde, tıbbi testlerde ve öğeleri pozitif ile negatif kategorilere ayırdığınız her alanda evrensel olarak kullanılır.
Nasıl Kullanılır?
Doğru pozitif (doğru tahmin edilen pozitifler), yanlış pozitif (yanlışlıkla pozitif olarak tahmin edilen negatifler) ve yanlış negatif (modelin gözden kaçırdığı pozitifler) sayılarını girin. Kesinlik, duyarlılık ve F1 değerlerini görmek için hesapla düğmesine tıklayın. Bu metrikler için doğru negatif (true negative) değerine gerek yoktur.
Formülün Açıklaması
\(\text{Kesinlik} = \text{TP} / (\text{TP} + \text{FP})\) şu soruyu yanıtlar: "Pozitif olarak işaretlediğim her şeyin ne kadarı doğruydu?" Yüksek kesinlik, az sayıda yanlış alarm anlamına gelir.
$$\text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}}, \quad \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}$$\(\text{Duyarlılık} = \text{TP} / (\text{TP} + \text{FN})\) şu soruyu yanıtlar: "Gerçekte pozitif olan her şeyin ne kadarını yakaladım?" Yüksek duyarlılık, az sayıda kaçırılan öğe demektir.
F1 skoru ise bu ikisinin harmonik ortalamasıdır: \(\text{F1} = 2 \cdot (\text{Kesinlik} \cdot \text{Duyarlılık}) / (\text{Kesinlik} + \text{Duyarlılık})\). İkisini dengeler ve özellikle sınıflar dengesiz olduğunda işe yarar.
$$\text{F1} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$$
Örnek Hesaplama
Diyelim ki bir spam filtresi 100 e-postayı spam olarak işaretliyor. Bunların 80'i gerçekten spam (TP), 20'si ise değil (FP). Ayrıca 10 gerçek spam e-postayı da kaçırıyor (FN). Kesinlik = \(80 / (80 + 20) = 0{,}80 = \%80\). Duyarlılık = \(80 / (80 + 10) = 0{,}889 = \%88{,}89\). F1 = \(2 \cdot (0{,}80 \cdot 0{,}889) / (0{,}80 + 0{,}889) = \%84{,}21\).
Sık Sorulan Sorular
Kesinliği duyarlılığa ne zaman tercih etmeliyim? Yanlış pozitiflerin maliyeti yüksek olduğunda kesinliği tercih edin (örneğin, meşru bir e-postanın spam olarak işaretlenmesi). Pozitifleri kaçırmanın maliyeti yüksek olduğunda ise duyarlılığı tercih edin (örneğin, kanser taraması).
F1 skorunu neden kullanmalıyım? Dengesiz verilerde doğruluk (accuracy) yanıltıcı olabilir. F1, kesinlik ile duyarlılığı tek ve dengeli bir sayıda birleştirir.
Payda sıfır olursa ne olur? TP+FP veya TP+FN değeri sıfırsa metrik tanımsızdır; bu hesaplayıcı bu durumda %0 olarak raporlar.
