Confusion Matrix

Bir karışıklık matrisi, çıktının iki veya daha fazla sınıf olabileceği makine öğrenimi sınıflandırma problemleri için bir performans ölçüm aracıdır. Model değerlendirmesinde veri görselleştirme için temel bir öğe görevi gören, tahmin edilen ve gerçek değerlerin dört farklı kombinasyonunu içeren bir tablodur. Veri seti dengesiz olduğunda yanıltıcı olabilen basit doğruluğun aksine, karışıklık matrisi bir computer vision (CV) modelinin nerede hata yaptığına dair ayrıntılı bir döküm sağlar. Geliştiriciler, tahminleri ground truth etiketleriyle karşılaştırarak sistemin iki belirli sınıfı karıştırıp karıştırmadığını veya bir nesneyi tamamen tespit edemeyip edemediğini belirleyebilir.

Matrisin Temel Bileşenleri#

Matrisin kendisi, ikili sınıflandırma için tipik olarak dört kadrana bölünmüştür, ancak Ultralytics YOLO26 tarafından ele alınanlar gibi çok sınıflı problemler için genişler. Bu dört bileşen, modelin ne tahmin ettiği ile görüntüde aslında ne olduğu arasındaki kesişimi temsil eder.

• True Positives (TP): Model, pozitif sınıfı doğru bir şekilde tahmin eder. Örneğin, bir object detection görevinde model, karede gerçekten bulunan bir kişinin etrafına başarılı bir şekilde bir sınırlayıcı kutu çizer.
• True Negatives (TN): Model, negatif sınıfı doğru bir şekilde tahmin eder. Bu, sistemin üretilen bir parçanın kusuru olmadığını doğru bir şekilde belirlediği anomaly detection gibi senaryolarda çok önemlidir.
• False Positives (FP): Model, pozitif sınıfı yanlış tahmin eder. Genellikle "Tip I hata" olarak adlandırılan bu durum, sistemin bir güvenlik kamerasının gölgeyi bir davetsiz misafir olarak işaretlemesi gibi orada olmayan bir nesneyi algıladığında ortaya çıkar.
• False Negatives (FN): Model, negatif sınıfı yanlış tahmin eder. "Tip II hata" olarak bilinen bu durum, modelin mevcut olan bir nesneyi algılayamaması ve esasen hedefi "kaçırması" durumunda gerçekleşir.

Türetilmiş Metrikler ve Önem#

Bir karışıklık matrisindeki hammaddeler, model performance açıklayan daha gelişmiş metrikleri hesaplamak için kullanılır. Bu türevleri anlamak, sinir ağlarını optimize etmek için esastır.

• Precision: TP / (TP + FP) olarak hesaplanan bu metrik, pozitif tahminlerin ne kadar doğru olduğunu ortaya çıkarır. Yüksek hassasiyet, daha az yanlış alarm anlamına gelir.
• Recall (Sensitivity): TP / (TP + FN) olarak hesaplanan bu metrik, modelin tüm pozitif örnekleri bulma yeteneğini ölçer. Bir nesneyi kaçırmanın ciddî sonuçları olduğunda yüksek duyarlılık hayati önem taşır.
• F1 Score: Hassasiyet ve duyarlılığın harmonik ortalamasıdır. İkisi arasındaki dengeyi dengeleyen ve farklı YOLO26 models karşılaştırmak için yararlı olan tek bir puan sağlar.

Gerçek Dünya Uygulamaları#

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

AI in healthcare alanında karışıklık matrisi bir güvenlik meselesidir. Tümörleri tespit etmek için bir medical image analysis modeli eğitirken, Yanlış Negatif (bir tümörü kaçırmak), Yanlış Pozitiften (iyi huylu bir lekeyi doktor incelemesi için işaretlemekten) çok daha kötüdür. Bu nedenle mühendisler, potansiyel sağlık risklerinin göz ardı edilmemesini sağlamak için bu matrislerde Hassasiyete göre Duyarlılığa öncelik verir.

Buna karşılık, manufacturing quality control alanında verimlilik anahtardır. Montaj hattı parçalarını sınıflandıran bir sistem çok fazla Yanlış Pozitif (iyi parçaları kusurlu olarak işaretleme) üretiyorsa, gereksiz atıklara neden olur ve üretimi yavaşlatır. Burada karışıklık matrisi, mühendislerin modeli maksimum Hassasiyeti elde edecek şekilde ayarlamasına yardımcı olarak reddedilen şeyin gerçekten kusurlu olmasını sağlar ve automated machine learning iş akışlarını kolaylaştırır.

Ultralytics YOLO26 ile Karmaşıklık Matrisi (Confusion Matrix) Oluşturma#

Modern çerçeveler kullanırken, bu matrisi oluşturmak genellikle standart doğrulama hattının bir parçasıdır. Aşağıdaki örnek, bir YOLO26 model nasıl doğrulanacağını ve ultralytics paketi kullanılarak karışıklık matrisi verilerine nasıl erişileceğini göstermektedir.

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)

İlgili Kavramları Ayırt Etme#

Karmaşıklık matrisini benzer değerlendirme terimlerinden ayırmak önemlidir.

• Vs. Accuracy: Doğruluk, basitçe doğru tahminlerin toplam tahminlere oranıdır. Faydalı olsa da doğruluk, imbalanced datasets içinde son derece aldatıcı olabilir. Örneğin, e-postaların %95'i spam değilse, her e-posta için "spam değil" tahmini yapan bir model %95 doğruluk oranına sahiptir ancak işe yaramaz. Karışıklık matrisi, spam sınıfı için sıfır Gerçek Pozitif göstererek bu kusuru ortaya çıkarır.
• Vs. ROC Curve: Karışıklık matrisi, tek bir belirli confidence threshold anındaki performansın bir anlık görüntüsünü sağlar. Buna karşılık, Alıcı İşletim Karakteristiği (ROC) eğrisi, bu eşik değiştirildikçe Gerçek Pozitif Oranı ve Yanlış Pozitif Oranının nasıl değiştiğini görselleştirir. Ultralytics Platform gibi araçlar, kullanıcıların dağıtımları için en uygun çalışma noktasını seçmek amacıyla her iki görselleştirmeyi de incelemesine olanak tanır.