Kesinlik ve Duyarlılık Hesaplayıcı

Kesinlik ve Duyarlılık Hesaplayıcı

Büyüyen AI Skill PRO

Hesaplamaya Girin

Formül

Kesinlik=TPTP+FP,Duyarlılık=TPTP+FNF1=2·Kesinlik·DuyarlılıkKesinlik+Duyarlılık\begin{gathered} \text{Kesinlik} = \frac{\text{TP}}{\text{TP} + \text{FP}}, \quad \text{Duyarlılık} = \frac{\text{TP}}{\text{TP} + \text{FN}} \\[1.5em] \text{F1} = 2 \cdot \frac{\text{Kesinlik} \cdot \text{Duyarlılık}}{\text{Kesinlik} + \text{Duyarlılık}} \end{gathered}
Kullanım istatistikleri

Reklam

Sonuç

Kesinlik
80%
tahmin edilen pozitiflerin doğru olduğu oran
Duyarlılık (Hassasiyet) 88,89%
F1 Skoru 84,21%

Bu sayfadaki bir hatayı bildir

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.

Kesinliği tahmine göre, duyarlılığı gerçeğe göre örtüşme olarak gösteren Venn şemaları
Kesinlik tahmin edilen pozitiflere, duyarlılık ise gerçek pozitiflere odaklanır.

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.

$$\text{F1} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$$
Reklam

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 = \(2 \cdot (0{,}80 \cdot 0{,}889) / (0{,}80 + 0{,}889) = \%84{,}21\).

2x2 ızgarada TP, FP, FN ve TN'yi gösteren karışıklık matrisi
Karışıklık matrisi: kesinlik ve duyarlılık TP, FP ve FN'den oluşur.

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.

Son güncelleme:

Matematik ve İstatistik kategorisinde en popüler

Tüm Matematik ve İstatistik hesap makinelerini gör