Accuracy

Doğruluk, bir modelin doğru tahminlerinin oranıdır: doğru tahmin sayısının toplam tahmin sayısına bölünmesiyle bulunur. Her girdi için tek etiket içeren görüntü sınıflandırma ve diğer denetimli öğrenme görevlerinde varsayılan puandır; bir modelle ilgili en yalın soruya, ne sıklıkla doğru yanıt verdiğine karşılık gelir. Doğruluğu okumak ve modeller arasında karşılaştırmak kolaydır, ancak her tahmini eşit ağırlıklandırır. Bu nedenle dengesiz verilerde bir model, tam da önemli olan durumlarda başarısız olurken yüksek puan alabilir; bu gibi durumlarda kesinlik ve geri çağırma daha fazla bilgi verir.

Doğruluk Nasıl Hesaplanır#

İkili bir görevde, bir karmaşıklık matrisi içindeki dört sayı doğruluk = (TP + TN) / (TP + TN + FP + FN) değerini verir: doğru pozitiflerle doğru negatiflerin toplamının tüm tahminlere oranı. Çok sınıflı bir görevde doğruluk, matris köşegenindeki değerlerin toplamının toplam sayıya oranıdır; scikit-learn'ün accuracy_score bu değeri iki etiket dizisinden doğrudan hesaplar. Doğruluk çoğu zaman bunun yerine hata oranı olarak raporlanır; hata = 1 − doğruluk.

Top-1 ve Top-5 Doğruluğu#

Çok sınıflı sınıflandırıcılar top-k doğruluğunu da raporlar. Top-1 doğruluğu, tahmin edilen sınıf yalnızca en yüksek puanı aldığında doğru sayar; top-5 doğruluğu ise gerçek etiket en yüksek puanlı beş sınıftan herhangi biriyse tahmini doğru kabul eder. Fotoğraflar genellikle birden çok nesne içerse de 1.000 sınıftan tek bir etiket taşıyan ImageNet yarışmasıyla top-5 standart hâle geldi. YOLO26 sınıflandırma modelleri her iki değeri de raporlar; nano model, 224 pikselde ImageNet üzerinde %71,4 top-1 ve %90,1 top-5 doğruluğa ulaşır: yolo26n-cls.pt.

Doğruluk ve İlgili Ölçütler#

• Kesinlik: Tahmin edilen pozitiflerin gerçekten pozitif olanlarının oranı. Yanlış alarmlar azaldıkça artar.
• Duyarlılık: Gerçek pozitiflerin model tarafından bulunanlarının oranı. Nadir bir sınıfı göz ardı eden modeli ortaya çıkaran ölçüttür.
• F1 puanı: Kesinlik ve duyarlılığın harmonik ortalaması; her ikisi de yüksek değilse düşük kalır.
• Ortalama ortalama kesinlik (mAP): Nesne algılama için standart ölçüt. Arka planda sayılabilir doğru negatifler bulunmadığından ve bunun yerine sınırsız sayıda boş görüntü bölgesi olduğundan, bu görevde doğruluk kullanılamaz.

Doğruluk Paradoksu#

Tek bir sınıf baskın olduğunda doğruluk, nadir sınıfı göz ardı etmeyi ödüllendirir. İşlemlerin %1'i sahtekârlıksa, her işlemi onaylayan bir model %99 doğruluk elde ederken hiçbir sahtekârlığı yakalayamaz; bu örüntü doğruluk paradoksu olarak bilinir. Aynı tuzak, ilgi duyulan sınıfın doğası gereği nadir olduğu kusur denetiminde, hastalık taramasında ve anomali tespitinde de görülür.

import numpy as np
from sklearn.metrics import accuracy_score, balanced_accuracy_score, recall_score

# 1,000 transactions, 10 of them fraudulent (label 1)
y_true = np.zeros(1000, dtype=int)
y_true[:10] = 1

# A model that labels every transaction as legitimate
y_pred = np.zeros(1000, dtype=int)

print(f"Accuracy: {accuracy_score(y_true, y_pred):.2f}")
print(f"Balanced accuracy: {balanced_accuracy_score(y_true, y_pred):.2f}")
print(f"Fraud recall: {recall_score(y_true, y_pred):.2f}")

Sınıflar arasındaki ortalama duyarlılık olan dengeli doğruluk, genel doğruluğun gizlediği başarısızlığı ortaya çıkarır: komut dosyası 0,99 doğruluk, 0,50 dengeli doğruluk ve 0,00 sahtekârlık duyarlılığı yazdırır.