Karışıklık Matrisi

Karışıklık matrisi, çıktının iki veya daha fazla sınıf olabileceği makine öğrenimi sınıflandırma problemleri için bir performans ölçüm aracıdır. Tahmin edilen ve gerçek değerlerin dört farklı kombinasyonunu içeren bir tablodur ve model değerlendirmesinde veri görselleştirmenin temel öğesi olarak işlev görür. Veri kümesi dengesiz olduğunda yanıltıcı olabilen basit doğruluktan farklı olarak, karışıklık matrisi bilgisayar görme (CV) modelinin nerede hata yaptığını ayrıntılı bir şekilde gösterir. Tahminleri gerçek etiketlerle karşılaştırarak Tahminleri gerçek etiketlerle karşılaştırarak, geliştiriciler sistemin iki belirli sınıfı karıştırıp karıştırmadığını veya detect nesneyi tamamen detect belirleyebilirler.

Matrisin Temel Bileşenleri

Matrisin kendisi, ikili sınıflandırma için genellikle dört kadrana bölünür, ancak Ultralytics tarafından işlenenler gibi 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 bir şekilde tahmin eder. Örneğin, bir nesne algılama görevinde, model çerçevede bulunan bir kişinin etrafına başarıyla bir sınırlayıcı kutu çizer.
• Gerçek Negatifler (TN): Model negatif sınıfı doğru bir şekilde tahmin eder. Bu, sistemin üretilen bir parçanın kusursuz olduğunu doğru bir şekilde tespit ettiği anomali tespiti gibi senaryolarda çok önemlidir.
• Yanlış Pozitifler (FP): Model pozitif sınıfı yanlış tahmin eder. Genellikle "Tip I hatası" olarak adlandırılan bu durum, sistem orada olmayan bir nesneyi algıladığında ortaya çıkar; örneğin, bir güvenlik kamerasının bir gölgeyi izinsiz giren kişi olarak işaretlemesi gibi.
• Yanlış Negatifler (FN): Model negatif sınıfı yanlış tahmin eder. "Tip II hatası" olarak bilinen bu durum, model mevcut detect nesneyi detect , yani hedefi "kaçırdığında" ortaya çıkar.

Türetilmiş Metrikler ve Önemi

Karışıklık matrisindeki ham sayılar, model performansını tanımlayan daha gelişmiş metrikleri hesaplamak için kullanılır. Bu türevleri anlamak, sinir ağlarını optimize etmek için çok önemlidir.

• Hassasiyet: TP / (TP + FP) olarak hesaplanan bu metrik, pozitif tahminlerin ne kadar doğru olduğunu gösterir. Yüksek hassasiyet, daha az yanlış alarm anlamına gelir.
• Geri çağırma (Duyarlılık): TP / (TP + FN) olarak hesaplanan bu değer, modelin tüm pozitif örnekleri bulma yeteneğini ölçer. Bir nesnenin eksikliğinin ciddi sonuçları olduğu durumlarda yüksek geri çağırma hayati önem taşır .
• F1 Puanı: Hassasiyet ve geri çağırmanın harmonik ortalaması. İkisi arasındaki dengeyi sağlayan tek bir puan sunar ve farklı YOLO26 modellerini karşılaştırmak için kullanışlıdır. F1 Puanı, hassasiyet ve geri çağırmanın harmonik ortalamasıdır.

Gerçek Dünya Uygulamaları

Karışıklık matrisi tarafından tanımlanan hataların spesifik maliyeti, modellerin farklı endüstriler için nasıl ayarlanacağını belirler.

Sağlık alanında sağlık hizmetlerinde yapay zeka, karışıklık matrisi bir güvenlik meselesidir. detect için tıbbi görüntü analizi modelini eğitirken, Yanlış Negatif (tümörü gözden kaçırmak) Yanlış Pozitif'ten (doktorun incelemesi için iyi huylu bir noktayı işaretlemek) çok daha kötüdür. Bu nedenle, mühendisler potansiyel sağlık risklerinin gözden kaçmamasını sağlamak için bu matrislerde Hassasiyet yerine Geri Çağırma'ya öncelik verirler .

Tersine, üretim kalite kontrolünde, verimlilik çok önemlidir. Montaj hattı parçalarını sınıflandıran bir sistem çok fazla yanlış pozitif (iyi parçaları kusurlu olarak işaretleme) üretirse, bu gereksiz israf yaratır ve üretimi yavaşlatır. Burada, karışıklık matrisi mühendislerin modeli hassasiyeti en üst düzeye çıkarmak için ayarlamasına yardımcı olur ve reddedilenlerin gerçekten kusurlu olmasını sağlayarak otomatik makine öğrenimi iş akışlarını kolaylaştırır.

YOLO26 ile Karışıklık Matrisi Oluşturma

Modern çerçeveler kullanıldığında, bu matrisin oluşturulması genellikle standart doğrulama sürecinin bir parçasıdır. Aşağıdaki örnek, bir YOLO26 modeli ve karışıklık matrisi verilerine kullanarak erişin ultralytics Paket.

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 Kavramların Farklılaştırılması

Karışıklık matrisini benzer değerlendirme terimlerinden ayırt etmek önemlidir.

• Vs. Doğruluk: Doğruluk, basitçe doğru tahminlerin toplam tahminlere oranıdır. Yararlı olmakla birlikte, doğruluk dengesiz veri kümelerinde oldukça yanıltıcı olabilir . Örneğin, e-postaların %95'i spam değilse, her e-posta için "spam değil" tahmini yapan bir model %95 doğruluğa sahiptir, ancak işe yaramaz. Karışıklık matrisi, spam sınıfı için sıfır Doğru Pozitif göstererek bu kusuru ortaya çıkarır.
• Vs. ROC Eğrisi: Karışıklık matrisi, tek bir belirli güven eşiğinde performansın anlık görüntüsünü sağlar. Buna karşılık, Alıcı Çalışma Karakteristiği (ROC) eğrisi, eşik değiştikçe Doğru Pozitif Oran ve Yanlış Pozitif Oranın nasıl değiştiğini görselleştirir. Ultralytics gibi araçlar, kullanıcıların her iki görselleştirmeyi de keşfederek dağıtımları için en uygun çalışma noktasını seçmelerine olanak tanır.