Dengeli Doğruluk
Balanced Classification Accuracy · Ayrıca şöyle bilinir: Average Recall, Equal-weight Average Sensitivity
Dengeli doğruluk, her sınıf için ayrı ayrı hesaplanan geri çağırma (recall) değerlerinin ortalamasıdır. Sınıf frekansından bağımsız olarak her sınıftaki performansa eşit ağırlık vererek sınıf dengesizliğini düzeltir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Azınlık sınıflarının önemli olduğu ancak yetersiz temsil edildiği dengesiz veri kümeleriyle uğraşırken dengeli doğruluğu kullanın. Tıbbi teşhis, dolandırıcılık tespiti, nadir hastalık taraması ve azınlık sınıfını kaçırmanın maliyetli olduğu herhangi bir alanda esastır. Sınıf dağılımları çarpık olduğunda genel doğruluktan daha dürüst bir değerlendirme sağlar.
Güçlü yönler & sınırlılıklar
- Her sınıfı frekansından bağımsız olarak eşit ağırlıklandırarak sınıf dengesizliğini otomatik olarak ele alır.
- Modellerin yalnızca çoğunluk sınıfını tahmin ederek yüksek puanlar elde etmesini önler.
- Sezgisel yorumlama: tüm sınıflardaki ortalama performansı temsil eder.
- Çok sınıflı senaryolara kolayca genelleştirilir.
- Farklı hata türlerinin maliyetlerini dikkate almaz (yanlış pozitifler ve yanlış negatifler farklı sonuçlara sahip olabilir).
- Belirli sınıflardaki performansı gizleyebilir; yüksek bir dengeli doğruluk, tüm sınıflarda kabul edilebilir bir performansı garanti etmez.
- Uygulama alanında sınıfların farklı önem ağırlıkları varsa uygun olmayabilir.
SSS
Dengeli doğruluk, dengesiz veri kümelerindeki doğruluktan nasıl farklıdır?
Dengesiz veri kümelerinde, genel doğruluk yüksek olabilirken azınlık sınıfı performansı zayıf olabilir. Dengeli doğruluk, her sınıfı eşit ağırlıklandırır, bu nedenle tüm sınıflardaki gerçek performansı yansıtır. %90 doğruluk elde eden ancak azınlık sınıfında %0 doğru tahmin yapan bir modelin dengeli doğruluğu çok daha düşük olacaktır.
Dengeli doğruluk, hassasiyet ve geri çağırmanın ortalamasıyla aynı mı?
Hayır. Dengeli doğruluk, sınıf başına geri çağırmaların (her sınıf için bir tane) ortalamasıdır. Hassasiyet ve geri çağırmayı birlikte ortalamak, farklı tanımlara sahip metrikleri karıştıracaktır. Dengeli doğruluk, geri çağırmaya odaklanır çünkü her sınıfın, yanlış pozitif oranlarından bağımsız olarak ne kadar iyi yakalandığını ölçer.
Ne zaman F1-skoru veya ROC-AUC yerine dengeli doğruluğu kullanmalıyım?
Dengeli doğruluk, ROC-AUC'den daha basit ve daha yorumlanabilirdir, bu da onu model seçimi için iyi kılar. Hassasiyet ve geri çağırmayı dengelemek istediğinizde F1-skorunu kullanın. Sınıf boyutlarından ve simetrik hata yapısı maliyetlerinden bağımsız olarak tüm sınıflar için eşit önem istediğinizde dengeli doğruluğu kullanın.
Kaynaklar
- Brodersen, K. H., Ong, C. S., Stephan, K. E., & Buhmann, J. M. (2010). The balanced accuracy and its posterior distribution. 20th International Conference on Pattern Recognition (ICPR), 3121-3124. DOI: 10.1109/ICPR.2010.764 ↗
- 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). Balanced Classification Accuracy. ScholarGate. https://scholargate.app/tr/model-evaluation/balanced-accuracy
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- DoğrulukModel değerlendirme↔ karşılaştır
- F1-SkoruModel değerlendirme↔ karşılaştır
- Matthews Korelasyon KatsayısıModel değerlendirme↔ karşılaştır
- Geri Çağırma (Duyarlılık)Model değerlendirme↔ karşılaştır
- ÖzgüllükModel değerlendirme↔ karşılaştır