Karışıklık Matrisleri
Karışıklık matrisi, sınıflandırıcının tahminlerini her sınıf için doğru ve yanlış sayımlara ayıran basit bir tablodur.
Genel Bakış
It is the raw scoreboard from which nearly every other classification metric is calculated.
Derin Dalış
Karışıklık matrisi, tahmin edilen etiketleri gerçek etiketlerle karşılaştıran bir tablodur. İkili sınıflandırma için dört hücreye sahiptir: Gerçek Pozitifler (doğru tahmin edilen pozitif), Gerçek Negatifler (doğru tahmin edilen negatif), Yanlış Pozitifler (negatifler yanlış bir şekilde pozitif olarak işaretlenir, bir 'Tip I hata') ve Yanlış Negatifler (gözden kaçan pozitifler, bir 'Tip II hata'). Bu dört sayıdan doğruluk ((TP+TN)/toplam), kesinlik (TP/(TP+FP)), hatırlama veya duyarlılık (TP/(TP+FN)), özgüllük (TN/(TN+FP)) ve F1 puanı (hassasiyet ve hatırlamanın harmonik ortalaması) elde edilir. İkiden fazla sınıfa sahip problemler için matris N'ye N olur; burada köşegen doğru tahminleri tutar ve köşegen dışı hücreler tam olarak hangi sınıfların hangi sınıflarla karıştırıldığını ortaya çıkarır.
Teknik Bilgi
Matrisin gücü, tek bir doğruluk numarasının gizlediği hataların yapısını korumasıdır. Aynı %90 doğruluğa sahip iki model, son derece farklı yanlış negatif oranlarına sahip olabilir; bu, kaçırılan bir kanser tanısının, yanlış bir alarmdan daha pahalıya mal olduğu durumlarda çok büyük önem taşır. Geleneksel olarak, satırlar genellikle gerçek sınıfları temsil eder ve sütunlar tahmin edilen sınıfları temsil eder (bazı kütüphaneler bunu tersine çevirse de), bu nedenle hücrelerden geri çağırmaya karşı hassasiyeti hesaplamadan önce daima eksen etiketlerini kontrol edin.
Stratejik Etki
Daha net kararlar
Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
Maliyet ve bütçe
Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
Ekip ve iş akışı
Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Karışıklık Matrislerinin Geleceği
Karışıklık matrisleri temel olmaya devam edecek, ancak araçlar onları daha zengin hale getiriyor: etkileşimli, normalleştirilmiş ısı haritaları, büyük etiket kümeleri için sınıf başına dökümler ve her hata türünü gerçek dünyadaki cezasıyla çarpan maliyet ağırlıklı matrisler. Adil denetimde, uygulayıcılar artık eşit olmayan hata oranlarını ortaya çıkarmak için demografik alt grup başına ayrı karışıklık matrisleri hesaplıyor. Bir hücreye tıklandığında yanlış sınıflandırılmış örneklerin inceleme için ortaya çıktığı model kontrol panellerine entegrasyonun devam etmesini bekleyebilirsiniz.
Gerçek Dünya Uygulaması
Bir görüntü sınıflandırıcının çapraz olmayan hücrelerde sıklıkla dış yapraklar ile kurtları karıştırdığını görerek nerede başarısız olduğunu teşhis etmek
Yanlış negatifleri (modelin sağlıklı ilan ettiği hastalığa sahip hastaları) inceleyerek bir tıbbi tarama aracını denetlemek
Aynı doğruluğu paylaşan ancak kaç tane gerçek e-postayı yanlışlıkla engellediği farklı olan iki e-posta spam filtresinin karşılaştırılması (yanlış pozitifler)
4'lü ve 9'lu sayıların çoğu zaman birbiriyle karıştırıldığını bulmak için çok sınıflı bir el yazısı rakam tanıyıcının değerlendirilmesi
Riskler ve Korkuluklar
Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Uygulama Yol Haritası
İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
Karışıklık Matrislerinin nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Keşfetmeye Devam Edin
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Confusion Matrices quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Çapraz Doğrulama
Sık sorulan sorular
What is Confusion Matrices?
Karışıklık matrisi, sınıflandırıcının tahminlerini her sınıf için doğru ve yanlış sayımlara ayıran basit bir tablodur. Neredeyse tüm diğer sınıflandırma ölçümlerinin hesaplandığı ham puan tablosudur.
İkili bir karışıklık matrisinde Yanlış Negatif nedir?
Yanlış Negatif, modelin negatif olarak etiketleyerek gözden kaçırdığı gerçek bir pozitiftir; örneğin, hasta bir hastanın sağlıklı ilan edilmesi.
Hangi metrik, modelin doğru bir şekilde tanımladığı gerçek pozitiflerin oranını ölçer?
Hatırlama (duyarlılık veya gerçek pozitif oran da denir) TP / (TP + FN)'dir - modelin yakaladığı gerçek pozitiflerin payı.
5 sınıflı bir problem için karışıklık matrisinde köşegen hücreler neyi temsil eder?
N'ye N matrisinde köşegen, tahmin edilen sınıfın gerçek sınıfla (yani doğru tahminlerle) eşleştiği durumları tutar.
Karışıklık matrisi olmadan doğruluk neden tek başına yanıltıcı olabilir?
Aynı doğruluğa sahip iki model, hatalarını çok farklı şekilde dağıtabilir; karışıklık matrisi, hataların çoğunlukla yanlış alarmlardan mı yoksa kaçırılan pozitiflerden mi kaynaklandığını ortaya çıkarır.
F1 puanı hangi iki ölçümün harmonik ortalamasıdır?
F1, harmonik ortalamayı kullanarak hassasiyet ve geri çağırmayı tek bir sayı halinde birleştiriyor ve bu da ikisi arasındaki büyük dengesizlikleri cezalandırıyor.