Confusion Matrix

Karmaşıklık matrisi, çıktının iki veya daha fazla sınıf olabildiği makine öğrenimi sınıflandırma problemleri için bir performans ölçüm aracıdır. Tahmin edilen ve gerçek değerlerin dört farklı kombinasyonunu içeren bir tablodur ve model değerlendirmesinde veri görselleştirme için temel bir öğe görevi görür. Veri setinin dengesiz olması durumunda yanıltıcı olabilen basit doğruluk payının aksine, karmaşıklık matrisi bir bilgisayarlı görü (CV) modelinin nerede hata yaptığına dair ayrıntılı bir döküm sağlar. Tahminleri yerel doğruluk etiketleriyle karşılaştırarak, sistemin iki belirli sınıfı birbiriyle karıştırıp karıştırmadığını veya bir nesneyi tamamen tespit edemeyip etmediğini belirleyebilirsin.

Link to this sectionMatrisin Temel Bileşenleri#

Matrisin kendisi ikili sınıflandırma için genellikle dört kadrana bölünür, ancak Ultralytics YOLO26 tarafından işlenenler gibi çok sınıflı problemler için genişler. Bu dört bileşen, modelin tahmin ettiği şey ile görüntüde aslında var olan şeyin kesişimini temsil eder.

• Doğru Pozitifler (TP): Model, pozitif sınıfı doğru bir şekilde tahmin eder. Örneğin, bir nesne algılama görevinde model, aslında karede yer alan bir kişinin etrafına başarıyla bir sınırlayıcı kutu çizer.
• Doğru Negatifler (TN): Model, negatif sınıfı doğru bir şekilde tahmin eder. Bu, sistemin üretilen bir parçanın kusursuz olduğunu doğru bir şekilde tanımladığı anomali tespiti gibi senaryolarda çok önemlidir.
• Yanlış Pozitifler (FP): Model, pozitif sınıfı yanlış bir şekilde tahmin eder. Genellikle "Tip I hatası" olarak adlandırılan bu durum, sistemin orada olmayan bir nesneyi algılaması durumunda ortaya çıkar; örneğin bir güvenlik kamerasının gölgeyi davetsiz bir misafir olarak işaretlemesi gibi.
• Yanlış Negatifler (FN): Model, negatif sınıfı yanlış bir şekilde tahmin eder. "Tip II hatası" olarak bilinen bu durum, modelin mevcut olan bir nesneyi tespit edememesi, yani hedefi "kaçırması" ile gerçekleşir.

Link to this sectionTüretilmiş Metrikler ve Önem#

Karmaşıklık matrisindeki ham sayılar, model performansı nı tanımlayan daha gelişmiş metrikleri hesaplamak için kullanılır. Bu türevleri anlamak, sinir ağlarını optimize etmek için esastır.

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

Link to this sectionGerçek Dünya Uygulamaları#

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

Sağlıkta yapay zeka alanında karmaşıklık matrisi bir güvenlik meselesidir. Tümörleri tespit etmek için tıbbi görüntü analizi modeli eğitilirken, bir Yanlış Negatif (tümörü atlamak), Yanlış Pozitiften (iyi huylu bir noktayı doktor incelemesi için işaretlemek) çok daha kötüdür. Bu nedenle mühendisler, hiçbir potansiyel sağlık riskinin gözden kaçmadığından emin olmak için bu matrislerde Kesinlik yerine Duyarlılığa öncelik verirler.

Buna karşılık, üretimde kalite kontrol alanında verimlilik anahtardır. Montaj hattı parçalarını sınıflandıran bir sistem çok fazla Yanlış Pozitif oluşturursa (iyi parçaları kusurlu olarak işaretlerse), bu gereksiz atığa neden olur ve üretimi yavaşlatır. Burada karmaşıklık matrisi, mühendislerin Kesinliği maksimize edecek şekilde modeli ayarlamasına yardımcı olur; reddedilen şeyin gerçekten kusurlu olduğundan emin olunarak otomatik makine öğrenimi iş akışları kolaylaştırılır.

Link to this sectionYOLO26 ile Karmaşıklık Matrisi Oluşturma#

Modern framework'leri kullanırken bu matrisi oluşturmak genellikle standart doğrulama hattının bir parçasıdır. Aşağıdaki örnek, bir YOLO26 modelini nasıl doğrulayacağını ve ultralytics paketini kullanarak karmaşıklık matrisi verisine nasıl erişeceğini 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)

Link to this sectionİlgili Kavramları Ayırt Etme#

Karmaşıklık matrisini benzer değerlendirme terimlerinden ayırmak önemlidir.

• Vs. Accuracy: Accuracy is simply the ratio of correct predictions to total predictions. While useful, accuracy can be highly deceptive in imbalanced datasets. For instance, if 95% of emails are not spam, a model that predicts "not spam" for every email has 95% accuracy but is useless. The confusion matrix reveals this flaw by showing zero True Positives for the spam class.
• Vs. ROC Curve: The confusion matrix provides a snapshot of performance at a single specific confidence threshold. In contrast, the Receiver Operating Characteristic (ROC) curve visualizes how the True Positive Rate and False Positive Rate change as that threshold is varied. Tools like the Ultralytics Platform allow users to explore both visualizations to choose the optimal operating point for their deployment.