Makine Öğrenmesinde Sınıflandırma Modellerinin Performansı
Published in
2 min readMay 2, 2018
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.