Hassasiyet ve Geri Çağırma
Hassasiyet ve geri çağırma, özellikle sınıflar dengesiz olduğunda, sınıflandırıcıları değerlendirmek için iki tamamlayıcı ölçümdür.
Genel Bakış
Together they reveal what plain accuracy hides — how often a model's positive predictions are right, and how many real positives it actually catches.
Derin Dalış
Bir model öğeleri olumlu olarak işaretlediğinde iki soru önemlidir. Precision şunu sorar: işaretlediğimiz her şeyin ne kadarı gerçekten olumluydu? Bu, gerçek pozitiflerin tahmin edilen tüm pozitiflere bölünmesine eşittir ve yanlış alarmları cezalandırır. Hatırlama (duyarlılık) şunu sorar: Oradaki tüm gerçek pozitiflerden kaçını yakaladık? Bu, gerçek pozitiflerin tüm gerçek pozitiflere bölünmesine eşittir ve kaçırılanları cezalandırır. Bunlar genellikle değiş tokuş edilir: Karar eşiğinin düşürülmesi daha fazla olumlu sonuç yakalar (daha yüksek hatırlama), ancak daha fazla önemsiz işaretler (daha düşük hassasiyet) ve bunun tersi de geçerlidir. Hangisine öncelik verileceği maliyetlere bağlıdır; bir spam filtresi kesinliği tercih eder (gerçek postayı çöpe atmayın), kanser ekranı ise hatırlamayı tercih eder (bir tümörü gözden kaçırmayın). Harmonik ortalamaları olan F1 puanı, her ikisini de tek bir sayı ile dengeler.
Teknik Bilgi
Her iki ölçüm de karışıklık matrisinin gerçek pozitiflerinden (TP), yanlış pozitiflerinden (FP) ve yanlış negatiflerinden (FN) gelir: Kesinlik = TP / (TP + FP), Geri Çağırma = TP / (TP + FN). Özellikle, ikisi de gerçek negatifleri kullanmıyor; bu nedenle, negatiflerin sayısı pozitiflerden çok daha fazla olduğunda bilgilendirici kalıyorlar. Sınıflandırma eşiğinin taranması, bir hassaslık geri çağırma eğrisinin izini sürer; altındaki alan (ortalama hassasiyet) performansı özetler ve yüksek düzeyde dengesiz verilerde ROC-AUC'ye göre tercih edilir.
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.
Hassasiyet ve Geri Çağırmanın Geleceği
Yapay zeka, tıbbi teşhis, içerik denetimi, sahtekarlık gibi yüksek riskli alanlara girdikçe, ekipler yalnızca doğruluk yerine giderek daha fazla hassasiyet ve geri çağırma (ve bunların eğrilerini) raporluyor ve eşikleri gerçek dünyadaki maliyetlere ve adalet kısıtlamalarına uyacak şekilde ayarlıyor. Grup başına hassaslık/geri çağırma denetimleri, demografik özellikler genelinde farklı hata oranlarının tespit edilmesinde standart hale geliyor. Paydaşların varsayılan 0,5 eşiğini kabul etmek yerine etkileşimli olarak çalışma noktalarını seçmesine olanak tanıyan daha zengin maliyete duyarlı ölçümler, kalibre edilmiş olasılıklar ve araçlar bekleyebilirsiniz.
Gerçek Dünya Uygulaması
Spam filtreleri yüksek hassasiyete göre ayarlanır, böylece meşru e-postalar neredeyse hiçbir zaman yanlışlıkla spam klasörüne gönderilmez.
Tıbbi tarama testleri, gerçekten hastalığı olan hastaların kaçırılmasını önlemek için yüksek düzeyde hatırlamaya öncelik verir ve takip için daha fazla yanlış pozitifliği kabul eder.
Arama ve öneri sistemleri, sıralama kalitesini ölçmek için Precision@k'yi (en iyi k sonuçtan kaç tanesinin alakalı olduğunu) bildirir.
Sahtekarlık tespiti, hem yanlış alarmlar hem de kaçırılan sahtekarlıklar maliyetli olduğundan, F1 puanı aracılığıyla hassasiyeti ve hatırlamayı dengeler.
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.
Hassasiyet ve Geri Çağırma'nın 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 Precision and Recall 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
Hassas Tıpta Tempus AI
Sık sorulan sorular
What is Precision and Recall?
Hassasiyet ve geri çağırma, özellikle sınıflar dengesiz olduğunda, sınıflandırıcıları değerlendirmek için iki tamamlayıcı ölçümdür. Birlikte, kesin doğruluğun neleri gizlediğini ortaya çıkarıyorlar; bir modelin pozitif tahminlerinin ne sıklıkla doğru olduğunu ve gerçekte kaç tane gerçek pozitif yakaladığını.
What is next for Precision and Recall?
Yapay zeka, tıbbi teşhis, içerik denetimi, sahtekarlık gibi yüksek riskli alanlara girdikçe, ekipler yalnızca doğruluk yerine giderek daha fazla hassasiyet ve geri çağırma (ve bunların eğrilerini) raporluyor ve eşikleri gerçek dünyadaki maliyetlere ve adalet kısıtlamalarına uyacak şekilde ayarlıyor. Grup başına hassaslık/geri çağırma denetimleri, demografik özellikler genelinde farklı hata oranlarının tespit edilmesinde standart hale geliyor. Paydaşların varsayılan 0,5 eşiğini kabul etmek yerine etkileşimli olarak çalışma noktalarını seçmesine olanak tanıyan daha zengin maliyete duyarlı ölçümler, kalibre edilmiş olasılıklar ve araçlar bekleyebilirsiniz.
Kesinlik hangi soruyu yanıtlıyor?
Kesinlik = TP / (TP + FP), modelin olumlu tahminlerinin doğruluğunu, yani olumlu bayrağın ne kadar güvenilir olduğunu ölçer.
Oldukça dengesiz veri kümeleri için neden kesinlik ve geri çağırma, basit doğruluk yerine tercih ediliyor?
Her iki ölçüm de gerçek negatifleri kullanmadığından, doğrulukta olduğu gibi büyük, tahmin edilmesi kolay bir negatif sınıf tarafından şişirilmezler.