Karışıklık Matrisi Nedir?

Makine öğrenimi ve veri biliminde en güçlü analitik araçlardan biri karışıklık matrisidir. Karışıklık matrisi, bir makine öğrenimi sınıflandırıcının hedef sınıflara ilişkin olarak nasıl performans gösterdiğini araştırmacılara ayrıntılı bilgi verebilecek kapasitede sahiptir. Bir karışıklık matrisi, doğru şekilde sınıflandırılmış örneklerin yanlış sınıflandırılmış örneklerle karşılaştırıldığı örnekleri gösterecektir. Bir karışıklık matrisinin nasıl yapılandırıldığını ve nasıl yorumlanabileceğini daha derinlemesine inceleyelim.

Karışıklık Matrisi Nedir?

Bir karışıklık matrisinin basit bir tanımıyla başlayalım. Karışıklık matrisi, bir öngörülü analiz aracıdır. Özellikle, gerçek değerleri modelin öngörülen değerleriyle karşılaştıran ve gösteren bir tablodur. Makine öğrenimi bağlamında, bir karışıklık matrisi, bir makine öğrenimi sınıflandırıcının bir veri kümesinde nasıl performans gösterdiğini analiz etmek için kullanılan bir metriktir. Bir karışıklık matrisi, doğruluk, hassasiyet, özgüllük ve duyarlılık gibi metriklerin görselleştirilmesini sağlar.

Karışıklık matrisi özellikle faydalıdır çünkü, diğer sınıflandırma metriklerine göre daha eksiksiz bir resim sunar. Örneğin, sadece doğruluk gibi bir metriği kullanmak, modelin bir sınıfı tamamen ve tutarlı bir şekilde yanlış tanımlamasına rağmen genel performansının iyi görünmesine neden olabilir. Oysa karışıklık matrisi, farklı değerlerin karşılaştırmasını sağlar, yani Yanlış Negatifler, Doğru Negatifler, Yanlış Pozitifler ve Doğru Pozitifler gibi değerleri gösterir.

Şimdi, bir karışıklık matrisinin temsil ettiği farklı metrikleri tanımlayalım.

Karışıklık Matrisinde Geri Çağırma

Geri çağırma,真正 pozitif örneklerin sayısının, yanlış negatif örneklerin sayısına ve tüm pozitif örneklerin sayısına bölünmesiyle hesaplanır. Diğer bir deyişle, geri çağırma, bir makine öğrenimi modelinin gerçekten pozitif olan örneklerin ne kadarını doğru şekilde sınıflandırabildiğini gösterir. Geri çağırma, modelin tüm pozitif örnekler içindeki doğru pozitif örneklerin oranını verir. Bu değer bazen “isabet oranı” olarak da adlandırılır ve “duyarlılık” olarak bilinen bir değerle ilgilidir, bu da真正 pozitif tahminlerin olasılığını veya oranını tanımlar.

Karışıklık Matrisinde Kesinlik

Kesinlik, geri çağırma gibi, modelin pozitif örnekleri sınıflandırma performansını izleyen bir değerdir. Ancak, kesinlik, modelin pozitif olarak etiketlediği örneklerin gerçekten pozitif olma oranını ölçer. Bunu hesaplamak için,真正 pozitif örneklerin sayısını, yanlış pozitif örneklerin sayısına ve真正 pozitiflerin sayısına böleriz.

Kesinlik ve geri çağırma arasındaki farkı netleştirmek için, kesinlik, modelin tüm pozitif olarak etiketlediği örneklerin gerçekten pozitif olma oranını hesaplamaya çalışırken, geri çağırma, tüm真正 pozitif örneklerin model tarafından doğru şekilde tanınma oranını izler.

Karışıklık Matrisinde Özelilik

Geri çağırma ve kesinlik, pozitif örnekleri ve真正 pozitif oranını izlerken, özgüllük,真正 negatif oranını veya modelin negatif olarak tanımladığı örneklerin gerçekten negatif olma oranını ölçer. Bunu hesaplamak için,真正 negatif örneklerin sayısını, yanlış pozitif örneklerin sayısına ve真正 negatiflerin sayısına böleriz.

Karışıklık Matrisini Anlamak

Photo: Jackverr via Wikimedia Commons, (https://commons.wikimedia.org/wiki/File:ConfusionMatrix.png), CC BY SA 3.0

Karışıklık Matrisi Örneği

Doğruluk, duyarlılık, özgüllük gibi terimleri tanımladıktan sonra, bu değerlerin bir karışıklık matrisinde nasıl temsil edildiğini inceleyebiliriz. Bir karışıklık matrisi, sınıflandırma görevlerinde oluşturulur ve iki veya daha fazla sınıfta uygulanabilir. Oluşturulan karışıklık matrisi, gerektiği kadar geniş veya yüksek olabilir ve herhangi bir sayıda sınıfı içerebilir, ancak basitlik için, bir ikili sınıflandırma görevi için 2×2’lik bir karışıklık matrisini inceleyeceğiz.

Örneğin, bir sınıflandırıcı, bir hastanın belirli bir hastalığa sahip olup olmadığını belirlemek için kullanılıyor olsun. Özellikler sınıflandırıcıya girilir ve sınıflandırıcı, hasta hastalığa sahip değilse veya sahipse, iki farklı sınıflandırma döndürür.

Matrisin sol tarafına bakalım. Matrisin sol tarafı, sınıflandırıcının bireysel sınıflar için yaptığı tahminleri temsil eder. İkili bir sınıflandırma görevi için burada iki satır olacaktır. Matrisin üst kısmında, veri örneklerinin gerçek sınıf etiketlerini, yani真正 değerleri izleriz.

Bir karışıklık matrisini yorumlamak, satırların ve sütunların kesişme noktalarını incelemeyi içerir. Modelin tahminlerini真正 etiketlerle karşılaştırın. Bu durumda,真正 Pozitif değerler, yani doğru pozitif tahminlerin sayısı, matrisin sol üst köşesinde bulunur. Yanlış pozitifler, aslında negatif olan ancak sınıflandırıcının pozitif olarak etiketlediği örnekler, üst sağ köşede bulunur.

Matrisin alt sol köşesinde, sınıflandırıcının negatif olarak etiketlediği ancak gerçekten pozitif olan örnekler bulunur. Son olarak, matrisin sağ alt köşesinde,真正 Negatif değerler, yani gerçekten negatif olan örnekler bulunur.

Veri kümesinde iki sınıfın ötesinde daha fazla sınıf varsa, matris o kadar çok sınıfla genişler. Örneğin, üç sınıf varsa, matris 3×3’lük bir matris olur. Matrisin boyutu ne olursa olsun, onları yorumlama yöntemi aynıdır. Sol tarafta öngörülen değerler ve üstte gerçek sınıf etiketleri bulunur. Doğru şekilde öngörülen örnekler, sol üstten sağ alta doğru diagonally bulunur. Matrise bakarak yukarıda bahsedilen dört öngörülü metriği belirleyebilirsiniz.

Örneğin,真正 Pozitifleri ve Yanlış Negatifleri ekleyerek ve bunları真正 pozitif örneklerin sayısına bölerek geri çağırma hesaplayabilirsiniz. Benzer şekilde, yanlış pozitifleri真正 pozitiflerle birleştirerek ve bu değeri真正 pozitiflerin toplam sayısına bölerek kesinliği hesaplayabilirsiniz.

Kesinlik, geri çağırma ve özgüllük gibi metrikleri manuel olarak hesaplamak mümkündür, ancak bu metrikler o kadar yaygın kullanılmaktadır ki, çoğu makine öğrenimi kütüphanesi bunları görüntüleme yöntemlerine sahiptir. Örneğin, Python için Scikit-learn, bir karışıklık matrisi oluşturmak için bir fonksiyona sahiptir.