Confusion Matrix

Karmaşıklık matrisi, çıktının iki veya daha fazla sınıftan oluşabildiği makine öğrenmesi sınıflandırma problemleri için bir performans ölçüm aracıdır. Model değerlendirmesinde veri görselleştirmenin temel unsurlarından biri olarak, tahmin edilen ve gerçek değerlerin dört farklı kombinasyonunu içeren bir tablodur. Dengesiz veri kümelerinde yanıltıcı olabilen basit doğruluğun aksine karmaşıklık matrisi, bir bilgisayarlı görü (CV) modelinin nerelerde hata yaptığını ayrıntılı olarak gösterir. Tahminleri gerçeklik etiketleriyle karşılaştırarak geliştiriciler, sistemin iki belirli sınıfı birbirine karıştırıp karıştırmadığını veya bir nesneyi tamamen algılayamayıp algılamadığını belirleyebilir.

Matrisin Temel Bileşenleri#

Matrisin kendisi, ikili sınıflandırma için genellikle dört çeyreğe ayrılır; ancak Ultralytics YOLO26 tarafından ele alınan çok sınıflı problemler için genişler. Bu dört bileşen, modelin tahmin ettiği ile görüntüde gerçekte var olanın kesişimini temsil eder.

• Doğru Pozitifler (TP): Model, pozitif sınıfı doğru şekilde tahmin eder. Örneğin bir nesne algılama görevinde model, görüntüde gerçekten bulunan bir kişinin etrafına başarıyla sınırlayıcı kutu çizer.
• Doğru Negatifler (TN): Model, negatif sınıfı doğru şekilde tahmin eder. Bu, sistemin üretilmiş bir parçanın kusuru olmadığını doğru şekilde belirlediği anomali algılama gibi senaryolarda kritik öneme sahiptir.
• Yanlış Pozitifler (FP): Model, pozitif sınıfı yanlış şekilde tahmin eder. Genellikle "Tip I hatası" olarak adlandırılan bu durum, güvenlik kamerasının gölgeyi davetsiz misafir olarak işaretlemesi gibi, sistemin gerçekte var olmayan bir nesneyi algılamasıyla ortaya çıkar.
• Yanlış Negatifler (FN): Model, negatif sınıfı yanlış şekilde tahmin eder. "Tip II hatası" olarak bilinen bu durum, modelin mevcut bir nesneyi algılayamaması, yani hedefi "kaçırması" sonucunda ortaya çıkar.

Türetilmiş Metrikler ve Önemi#

Karmaşıklık matrisindeki ham sayılar, model performansını açıklayan daha gelişmiş metrikleri hesaplamak için kullanılır. Bu türetilmiş metrikleri anlamak, sinir ağlarını optimize etmek için çok önemlidir.

• Kesinlik: TP / (TP + FP) olarak hesaplanan bu metrik, pozitif tahminlerin ne kadar doğru olduğunu gösterir. Yüksek kesinlik, daha az yanlış alarm anlamına gelir.
• Duyarlılık (Sensitivity): TP / (TP + FN) olarak hesaplanan bu metrik, modelin tüm pozitif örnekleri bulma yeteneğini ölçer. Bir nesneyi kaçırmanın ciddi sonuçları olabileceği durumlarda yüksek duyarlılık hayati önem taşır.
• F1 Skoru: Kesinlik ve duyarlılığın harmonik ortalamasıdır. İkisi arasındaki dengeyi sağlayan tek bir skor sunar ve farklı YOLO26 modellerini karşılaştırmak için kullanışlıdır.

Gerçek Dünya Uygulamaları#

Karmaşıklık matrisi tarafından tanımlanan hataların özel maliyeti, modellerin farklı sektörler için nasıl ayarlanacağını belirler.

Sağlık hizmetlerinde yapay zekâ alanında karmaşıklık matrisi bir güvenlik meselesidir. Tümörleri algılamak üzere tıbbi görüntü analizi için bir model eğitilirken Yanlış Negatif (tümörün kaçırılması), Yanlış Pozitiften (iyi huylu bir bölgenin doktor incelemesi için işaretlenmesi) çok daha kötüdür. Bu nedenle mühendisler, olası sağlık risklerinin gözden kaçırılmamasını sağlamak için bu matrislerde kesinlikten çok duyarlılığa öncelik verir.

Buna karşılık üretimde kalite kontrol söz konusu olduğunda verimlilik önemlidir. Montaj hattındaki parçaları sınıflandıran bir sistem çok fazla Yanlış Pozitif üretirse (iyi parçaları kusurlu olarak işaretlerse), bu gereksiz israfa neden olur ve üretimi yavaşlatır. Burada karmaşıklık matrisi, mühendislerin modeli kesinliği en üst düzeye çıkaracak şekilde ayarlamasına yardımcı olur; böylece reddedilen parçaların gerçekten kusurlu olması sağlanır ve otomatik makine öğrenmesi iş akışları kolaylaştırılır.

Ultralytics YOLO26 ile Karmaşıklık Matrisi Oluşturma#

Modern framework'ler kullanılırken bu matrisi oluşturmak genellikle standart doğrulama işlem hattının bir parçasıdır. Aşağıdaki örnek, bir YOLO26 modelinin nasıl doğrulanacağını ve ultralytics paketi kullanılarak karmaşıklık matrisi verilerine nasıl erişileceğini gösterir.

from ultralytics import YOLO

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

# Validate the model on the COCO8 dataset
# This automatically generates and plots the confusion matrix
metrics = model.val(data="coco8.yaml")

# Access the confusion matrix object directly
print(metrics.confusion_matrix.matrix)

İlişkili Kavramları Birbirinden Ayırma#

Karmaşıklık matrisini benzer değerlendirme terimlerinden ayırt etmek önemlidir.

• Doğruluğa kıyasla: Doğruluk, doğru tahminlerin toplam tahminlere oranıdır. Kullanışlı olsa da doğruluk, dengesiz veri kümelerinde oldukça yanıltıcı olabilir. Örneğin e-postaların %95'i spam değilse, her e-posta için spam değil tahmininde bulunan bir model %95 doğruluğa sahip olur ancak işe yaramaz. Karmaşıklık matrisi, spam sınıfı için sıfır Doğru Pozitif göstererek bu kusuru ortaya çıkarır.
• ROC Eğrisine kıyasla: Karmaşıklık matrisi, belirli bir güven eşiğindeki performansın anlık görüntüsünü sunar. Buna karşılık Alıcı İşletim Karakteristiği (ROC) eğrisi, bu eşik değiştirildikçe Doğru Pozitif Oranının ve Yanlış Pozitif Oranının nasıl değiştiğini görselleştirir. Ultralytics Platformu gibi araçlar, dağıtımın için en uygun çalışma noktasını seçmek üzere her iki görselleştirmeyi de keşfetmene olanak tanır.