Accuracy

Doğruluk, yapay zeka sistemlerinin değerlendirilmesinde temel bir kıstas görevi görür ve bir modelin yaptığı doğru tahminlerin toplam tahmin sayısına oranını yüzde olarak nicelleştirir. machine learning ve özellikle supervised learning bağlamında bu metrik, bir algoritmanın eğitim sürecinde sağlanan ground truth ile ne kadar etkili bir şekilde uyuştuğuna dair yüksek seviyeli bir anlık görüntü sunar. Geliştiriciler daha ayrıntılı metriklere dalmadan önce sistemin güvenilirliğinin birincil göstergesi olarak hareket ederken, performansın en sezgisel ölçüsüdür ve "Model ne sıklıkla haklı?" basit sorusunu yanıtlar.

Performans Değerlendirmenin İncelikleri#

Doğruluk mükemmel bir başlangıç noktası olsa da, tüm sınıfların eşit şekilde temsil edildiği dengeli training data üzerinde uygulandığında en etkilidir. Örneğin, kediler ve köpekler arasında ayrım yapan standart bir image classification görevinde, veri seti her birinden 500 görsel içeriyorsa doğruluk güvenilir bir metriktir. Ancak, imbalanced datasets ile zorluklar ortaya çıkar ve "doğruluk paradoksu"na yol açar.

İşlemlerin yalnızca %1'inin dolandırıcılık olduğu bir fraud detection için bir model eğitilirse, her işlemi basitçe "meşru" olarak tahmin eden bir model, amaçlanan görevinde tamamen başarısız olurken %99 doğruluk elde eder. Bunu hafifletmek için mühendisler, veri seti dağılımını görselleştirmek ve modellerin çoğunluk sınıfını sadece ezberlemediğinden emin olmak için genellikle Ultralytics Platform kullanır.

Doğruluğu İlgili Terimlerden Ayırmak#

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

• Precision: Bu, pozitif tahminlerin kalitesini ölçer. "Pozitif olarak tahmin edilen tüm örneklerin kaç tanesi gerçekten pozitifti?" diye sorar.
• Recall: Duyarlılık olarak da bilinen bu metrik, modelin ilgili tüm vakaları bulma yeteneğini ölçer. "Gerçek pozitif örneklerin tümünden, model hangilerini doğru bir şekilde tanımladı?" diye sorar.
• F1-Score: Bu, ikisini dengeleyen tek bir skor sağlayan hassasiyet ve duyarlılığın harmonik ortalamasıdır ve özellikle düzensiz sınıf dağılımları için kullanışlıdır.

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

Gerçek Dünya Uygulamaları#

Doğruluğun faydası çeşitli endüstrilere uzanır ve kritik ortamlarda computer vision ve tahmin modellerinin güvenilirliğini doğrular.

• Tıbbi Teşhis: medical image analysis alanında, modeller röntgen veya MR taramalarını sınıflandırmak için kullanılır. Taramaları "sağlıklı" veya "patolojik" olarak sınıflandıran bir model, hastaların doğru teşhisler almasını sağlamak için yüksek doğruluğa güvenir. AI in healthcare alanındaki yenilikler, otomatize hataları en aza indirmek için büyük ölçüde sıkı doğrulamaya dayanır.
• Üretimde Kalite Kontrol: smart manufacturing içindeki otomatik sistemler, montaj hatlarındaki kusurları belirlemek için görsel denetim kullanır. Yüksek doğruluk, yalnızca kusursuz ürünlerin gönderilmesini sağlayarak israfı ve garanti maliyetlerini azaltır. Kusurları tespit etmek için object detection kullanarak fabrikalar üretim standartlarını otomatik olarak korur.

Kodda Doğruluğu Ölçme#

Python kullanan pratik senaryolarda, geliştiriciler kurulmuş kütüphaneleri kullanarak bir modelin doğruluğunu kolayca ölçebilir. Aşağıdaki örnek, en üst düzey (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}")

İyileştirme Stratejileri#

Bir model düşük doğruluktan muzdarip olduğunda, performansı artırmak için birkaç teknik kullanılabilir. Mühendisler, modelin overfitting yapmasını önleyerek eğitim setinin çeşitliliğini yapay olarak artırmak için genellikle data augmentation kullanır. Ek olarak, learning rate gibi ayarları ayarlayan hyperparameter tuning yakınsamayı önemli ölçüde etkileyebilir. Karmaşık görevler için transfer learning, daha küçük, özel bir veri setinde daha yüksek doğruluk elde etmek için bir modelin büyük, önceden eğitilmiş bir veri setinden (ImageNet gibi) bilgiden yararlanmasını sağlar.