Doğruluk
Classification Accuracy · Ayrıca şöyle bilinir: Overall Accuracy, Correct Classification Rate
Doğruluk, bir sınıflandırma modelinin yaptığı toplam tahmin sayısına oranla doğru tahminlerin oranıdır. En sezgisel performans ölçütüdür ve sınıflandırıcının genel olarak ne sıklıkla doğru tahminler yaptığını, sınıftan bağımsız olarak ölçer.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sınıfların kabaca dengeli olduğu ve genel performansın hızlı, sezgisel bir ölçüsünü istediğinizde doğruluğu kullanın. Görüntü sınıflandırma veya standart kıyaslamalar gibi dengeli veri kümeleri için uygundur. Dolandırıcılık tespiti veya hastalık teşhisi gibi azınlık sınıfının nadir ve önemli olduğu dengesiz veri kümelerinde yalnızca doğruluğa güvenmekten kaçının.
Güçlü yönler & sınırlılıklar
- Hesaplanması ve yorumlanması basittir; hiperparametre gerektirmez.
- Genel model performansını özetleyen tek, sezgisel bir ölçüt sağlar.
- Dengeli veri kümelerinde iyi çalışır ve hesaplama açısından verimlidir.
- Dengesiz veri kümelerinde yanıltıcıdır; yalnızca çoğunluk sınıfını tahmin eden bir model, zayıf performansa rağmen yüksek doğruluk elde edebilir.
- Hata türleri arasındaki farkı (yanlış pozitifler ve yanlış negatifler) ayırt etmez.
- Sınıf öneminin değiştiği çok sınıflı problemlerin performansını değerlendirmek için tek başına kullanılamaz.
SSS
Dengesiz veri kümeleri için doğruluk neden yanıltıcıdır?
Dengesiz veri kümelerinde, bir sınıflandırıcı yalnızca çoğunluk sınıfını tüm örnekler için tahmin ederek yüksek doğruluk elde edebilir. Örneğin, vakaların %99'unun negatif ve %1'inin pozitif olduğu bir veri kümesinde, her şeye 'negatif' tahmin eden bir model %99 doğruluk elde eder ancak önemli azınlık sınıfını tanımlamak için işe yaramaz.
Doğruluk, kesinlik (precision) ve duyarlılıktan (recall) nasıl farklıdır?
Doğruluk, tüm sınıflardaki genel doğruluğu ölçer. Kesinlik, doğru olan pozitif tahminlerin oranını ölçerken, duyarlılık doğru bir şekilde tanımlanan gerçek pozitif vakaların oranını ölçer. Bu ölçütler, sınıflandırma performansının farklı yönlerine odaklanır.
Bir modeli iyi kabul etmek için doğruluk için hangi eşik değerini kullanmalıyım?
Evrensel bir eşik değeri yoktur; uygulama alanına ve veri özelliklerine bağlıdır. Dengeli veri kümelerinde, karmaşık görevler için %85-95 doğruluk makul olabilir. Her zaman doğruluğu taban çizgisi modelleriyle karşılaştırın ve özel probleminizdeki farklı hata türlerinin maliyetini göz önünde bulundurun.
Kaynaklar
- Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874. DOI: 10.1016/j.patrec.2005.10.010 ↗
- Powers, D. M. (2011). Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness and Correlation. Journal of Machine Learning Technologies, 2(1), 37-63. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Classification Accuracy. ScholarGate. https://scholargate.app/tr/model-evaluation/accuracy
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dengeli DoğrulukModel değerlendirme↔ karşılaştır
- Karmaşıklık MatrisiModel değerlendirme↔ karşılaştır
- F1-SkoruModel değerlendirme↔ karşılaştır
- KesinlikModel değerlendirme↔ karşılaştır
- Geri Çağırma (Duyarlılık)Model değerlendirme↔ karşılaştır