Makine Öğrenmesinde Sınıflandırma Modellerinin Performansı

Confusion Matrix

Burada Logistic Regression, SVM, Decision Tree, LDA, QDA, Random Forrest vb… supervised learning eğittiğimiz bir sınıflandırıcının/sınıflandırma modelinin performanını ölçmeye çalışıyoruz.

• Toplam tahminleme = x+y+k+j
• Modelin toplam 0 tahminlemesi = x + k
• Modelin toplam 1 tahminlemesi = j + y
• Gerçek verinin kaç tanesini 0 = x + j
• Gerçek verinin kaç tanesi 1 = k + y
• Toplam Doğru Tahminleme = x + y
• Toplam Yanlış Tahminleme = k + j

Makine Öğrenmesi Sınıflandırma Performans Terminolojisi

• TP (True Positive): y (gerçekte 1 ve model 1 tahmin etmiş)
• TN (True Negative): x (gerçekte 0 ve model 0 tahmin etmiş)
• FP (False Positive) : k (gerçekte 0 ve model 1 tahmin etmiş )
• FN (False Negative) : j (gerçekte 0 ve model 1 tahmin etmiş )
• Accuracy — Doğru Tahmin Toplamı / Toplam (x +y) / (x+y+k+j) : Genel olarak sistemimiz sınıflandırma doğruluğu.
• Sensitivity/Recall — Doğru (1) Tahminlerinin / Toplam Gerçek (1) ( y / (k +y) : 1 leri ne kadar doğru sınıflandırıyor
• Specificity— Doğru (0) Tahminlerinin / Toplam Gerçek (0) ( x / (x +j) : 0 leri ne kadar doğru sınıflandırıyor
• Precision/Positive Predictive Value — Doğru (1) Tahminlerinin / Modelin Toplamda (1) tahminlemesi (y/(j+y) : Bu sefer tahminleme tarafından bakıyoruz.
• Negative Prediction Value — Doğru (0) Tahminlerinin / Modelin Toplamda (0) tahminlenmesi (x/k+x) :Bu sefer tahminleme tarafından bakıyoruz.

Okumaya Devam Et 😃

Bu yazının devamı veya yazı grubundaki diğer yazılara erişmek için bu linke tıklayabilirsiniz.