Doğruluk (Accuracy)

Doğruluk, bir sınıflandırma modelinin performansını değerlendirmek için en temel ölçütlerden biri olarak hizmet eder. Bu işlenen toplam tahmin sayısı içinde sistem tarafından yapılan doğru tahminlerin oranını temsil eder. Daha geniş bir çerçevede makine öğrenimi (ML), doğruluk genellikle geliştiricilerin bir modelin etkili bir şekilde öğrenip öğrenmediğini veya sadece tahmin edip etmediğini ölçmek için gözden geçirdiği ilk sayıdır. Sağlarken etkinliğin hızlı bir görüntüsü, sıklıkla diğer yöntemlerle birlikte kullanılır. sağlamak için değerlendirme ölçütleri Özellikle karmaşık veri kümelerindeki sınıflar arasında ayrım yaparken model davranışının kapsamlı bir şekilde anlaşılması.

Uygunluk ve Hesaplama

Doğruluk hesaplaması basittir, bu da onu verilerden paydaşlara kadar çok çeşitli paydaşlar için oldukça erişilebilir hale getirir bilim insanlarından işletme yöneticilerine kadar. Matematiksel olarak doğru pozitiflerin ve doğru negatiflerin sayısı olarak tanımlanır toplam vaka sayısına bölünür. İçin denetimli öğrenme görevleri, bu metrik 'de sağlanan temel gerçekle algoritmanın ne sıklıkta uyum sağladığını gösterir. eğitim verileri. Ancak, yüksek doğruluk her zaman mükemmel bir model anlamına gelir; güvenilirliği büyük ölçüde altta yatan verilerin dağılımına bağlıdır.

Gerçek Dünya Uygulamaları

Doğruluk, otomatik karar vermenin insan uzmanlara yardımcı olduğu çeşitli sektörlerde çok önemli bir rol oynamaktadır.

• Tıbbi Teşhis: Bu alanda tıbbi görüntü analizi, doğruluk tümörler veya kırıklar gibi durumları tespit etmek için kritik öneme sahiptir. Yüksek doğruluk oranına sahip bir model radyologlar için güvenilir bir ikinci görüş olarak hareket ederek yanlış teşhisin önüne geçer. Mesela, Sağlık hizmetlerinde yapay zeka, doğru Hastaları etkili bir şekilde triyajlamak için sınıflandırma, kritik durumları olanlara anında müdahale edilmesini sağlama.
• Otomatik Üretim: İçinde akıllı üretim ortamları, görsel denetim sistemleri bilgisayarla görmeyi kullanarak montaj hatlarındaki ürün kusurlarını detect eder. Yüksek doğruluğa sahip bir sistem, kusurlu ürünlerin çıkarılmasını sağlarken geçerli ürünler paketlenir, tedarik zinciri verimliliğini ve atık azaltımını doğrudan etkiler.

Ultralytics ile Doğruluk Ölçümü

ile modeller geliştirirken ultralytics paketinin standart bir parçası olduğu için doğruluğu değerlendirmek doğrulama iş akışı. Aşağıdaki örnekte bir doğrulama iş akışının nasıl yükleneceği gösterilmektedir YOLO11 sınıflandırma modeli ve bunu doğrulamak için doğruluk ölçümleri.

from ultralytics import YOLO

# Load a pretrained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")

# Validate the model on the MNIST160 dataset
# The function returns a metrics object containing top1 and top5 accuracy
metrics = model.val(data="mnist160")

# Display the Top-1 accuracy (percentage of times the top prediction was correct)
print(f"Top-1 Accuracy: {metrics.top1:.2f}")

Sınırlamalar ve Doğruluk Paradoksu

Sezgisel olsa da, doğruluk bir ürünle uğraşırken yanıltıcı olabilir dengesiz veri kümesi. Bu olgu doğruluk paradoksu olarak bilinir. Örneğin, dolandırıcılık tespit senaryosunda, dolandırıcılık vakalarının yalnızca %1'i işlemlerin hileli olduğunu, her işlem için basitçe "meşru" tahmininde bulunan bir model %99 doğruluk. Ancak, birincil görevi olan sahtekarlığı tespit etme konusunda tamamen başarısız olacaktır. Bu gibi durumlarda, model azınlık sınıfı için yüksek doğruluk ancak sıfır tahmin gücü sergiler.

Bunu ele almak için uygulayıcılar şunları kullanır sınıfları dengelemek veya bakmak için veri artırımı yapılan hata türlerini inceleyen farklı metriklerde.

İlgili Kavramların Farklılaştırılması

Model performansını tam olarak anlamak için doğruluk, ilgili terimlerden ayırt edilmelidir:

• Hassasiyet: Bu, kaliteyi ölçer pozitif tahminlerin sayısı. Doğruluktan farklı olarak hassasiyet, doğru negatif tahminleri göz ardı ederek kaç tane tespit edilen pozitif vakalar gerçekten pozitifti. Yanlış alarmlar (yanlış pozitifler) maliyetli olduğunda bu çok önemlidir.
• Geri çağırma: Hassasiyet, geri çağırma olarak da bilinir modelin bulmayı başardığı pozitif vakaların miktarını ölçer. Pozitif bir vakayı kaçırırken yüksek geri çağırma gereklidir. durum (yanlış negatif) tehlikelidir.
• F1-Skoru: Bu, aşağıdakilerin harmonik ortalamasıdır hassasiyet ve geri çağırma. Dengeli bir görünüm sağlar, özellikle eşit olmayan verilerdeki modelleri karşılaştırmanız gerektiğinde kullanışlıdır doğruluğun çarpık olabileceği dağılımlar.
• Ortalama Ortalama Kesinlik (mAP): Doğruluk genel olarak sınıflandırma için geçerli olsa da, mAP aşağıdakiler için standart metriktir nesne tespiti. Her ikisini de açıklar doğru sınıflandırılması ve kesin lokalizasyonu sınırlayıcı kutular.

Model Doğruluğunu İyileştirme

Doğruluğun artırılması, yinelemeli bir deneme sürecini içerir. Geliştiriciler genellikle öğrenmeyi ayarlamak için hiperparametre ayarı Optimum yakınsama için oranlar ve yığın boyutları. Ayrıca, aşağıdaki gibi gelişmiş mimarilerin kullanılması Transformers ya da en son Ultralytics YOLO önemli kazanımlar sağlayabilir. Son olarak, eğitim veri setinin temiz ve çeşitli olmasını sağlamak için aktif öğrenme modelin daha iyi genelleştirilmesine yardımcı olur görülmemiş gerçek dünya verilerine.