Accuracy

Doğruluk, yapay zeka sistemlerinin değerlendirilmesinde temel bir kıstas görevi görür ve bir modelin toplam tahmin sayısına oranla yaptığı doğru tahminlerin yüzdesini ölçer. Makine öğrenimi ve özellikle denetimli öğrenme bağlamında bu metrik, bir algoritmanın eğitim süreci boyunca sağlanan temel gerçeklik ile ne kadar etkili bir şekilde uyumlu olduğuna dair üst düzey bir anlık görüntü sunar. En sezgisel performans ölçütü olmasına rağmen —"Model ne sıklıkla doğru tahmin yapıyor?" gibi basit bir soruyu yanıtlar— geliştiriciler daha ayrıntılı metrikleri incelemeden önce sistemin güvenilirliğinin birincil göstergesi olarak işlev görür.

Link to this sectionPerformans Değerlendirmenin İncelikleri#

Doğruluk harika bir başlangıç noktası olsa da, en iyi sonuçları tüm sınıfların eşit şekilde temsil edildiği dengeli eğitim verileri üzerinde uygulandığında verir. Örneğin, kedi ve köpekleri ayırt etmeye yönelik standart bir görüntü sınıflandırma görevinde, veri kümesi her birinden 500'er görüntü içeriyorsa doğruluk güvenilir bir metriktir. Ancak dengesiz veri kümeleri ile çalışırken "doğruluk paradoksu"na yol açan zorluklar ortaya çıkar.

Eğer bir model, işlemlerin yalnızca %1'inin dolandırıcılık olduğu dolandırıcılık tespiti için eğitilirse, her işlemi "meşru" olarak tahmin eden bir model %99 doğruluk elde ederken amaçlanan görevinde tamamen başarısız olur. Bunu hafifletmek için mühendisler, veri kümesi dağılımını görselleştirmek ve modellerin yalnızca çoğunluk sınıfını ezberlemediğinden emin olmak için sıklıkla Ultralytics Platform kullanırlar.

Link to this sectionDoğruluğu İlgili Terimlerden Ayırmak#

Model performansını tam olarak anlamak için doğruluğu benzer metriklerden ayırmak çok önemlidir:

• Kesinlik: Pozitif tahminlerin kalitesini ölçer. "Pozitif olarak tahmin edilen tüm örneklerin kaçı gerçekten pozitifti?" sorusunu yanıtlar.
• Duyarlılık: Hassasiyet olarak da bilinir, modelin tüm ilgili vakaları bulma yeteneğini ölçer. "Gerçek pozitif örneklerin kaç tanesini model doğru şekilde tanımladı?" sorusunu yanıtlar.
• F1-Skoru: Kesinlik ve duyarlılığın harmonik ortalamasıdır; ikisini dengeleyen tek bir skor sağlar ve özellikle dengesiz sınıf dağılımları için oldukça kullanışlıdır.

Doğruluk, doğruluğa dair küresel bir bakış açısı sağlarken, kesinlik ve duyarlılık; yanlış pozitifler veya yanlış negatifler gibi belirli hata türleri hakkında içgörü sunar.

Link to this sectionGerçek Dünya Uygulamaları#

Doğruluğun faydası, çeşitli endüstrilere uzanarak kritik ortamlarda bilgisayarlı görü ve tahminleyici modellerin güvenilirliğini doğrular.

• Tıbbi Teşhisler: Tıbbi görüntü analizi alanında, modeller röntgen veya MRI taramalarını sınıflandırmak için kullanılır. Taramaları "sağlıklı" veya "patolojik" olarak sınıflandıran bir model, hastaların doğru teşhis almasını sağlamak için yüksek doğruluğa güvenir. Sağlık hizmetlerinde yapay zeka alanındaki yenilikler, otomatik hataları en aza indirmek için büyük ölçüde titiz bir doğrulamaya bağlıdır.
• Üretimde Kalite Kontrol: Akıllı üretim süreçlerindeki otomatik sistemler, montaj hatlarındaki kusurları belirlemek için görsel denetim kullanır. Yüksek doğruluk, yalnızca hatasız ürünlerin gönderilmesini sağlayarak israfı ve garanti maliyetlerini azaltır. Fabrikalar, kusurları tespit etmek için nesne algılama kullanarak üretim standartlarını otomatik olarak korur.

Link to this sectionKodda Doğruluğu Ölçme#

Python kullanılan pratik senaryolarda, geliştiriciler yerleşik kütüphaneleri kullanarak bir modelin doğruluğunu kolayca ölçebilirler. Aşağıdaki örnek, top-1 doğruluğunu elde etmek için bir YOLO26 sınıflandırma modelinin nasıl doğrulanacağını gösterir. Top-1 doğruluğu, modelin en yüksek olasılıklı tahmininin doğru etiketle eşleşme sıklığını ifade eder.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Validate the model on a standard dataset (e.g., MNIST)
metrics = model.val(data="mnist")

# Print the Top-1 Accuracy
print(f"Top-1 Accuracy: {metrics.top1:.4f}")

Link to this sectionİyileştirme Stratejileri#

When a model suffers from low accuracy, several techniques can be employed to enhance performance. Engineers often utilize data augmentation to artificially increase the diversity of the training set, preventing the model from overfitting. Additionally, hyperparameter tuning—adjusting settings like the learning rate—can significantly impact convergence. For complex tasks, transfer learning allows a model to leverage knowledge from a large, pre-trained dataset (like ImageNet) to achieve higher accuracy on a smaller, specific dataset.