Karmaşıklık Matrisi
Confusion Matrix (Error Matrix) · Ayrıca şöyle bilinir: Error Matrix, Contingency Table
Karmaşıklık matrisi, doğru pozitifler, doğru negatifler, yanlış pozitifler ve yanlış negatiflerin sayılarını gösteren bir tablodur. Bir sınıflandırıcının doğru ve yanlış tahminleri nerede yaptığının tam bir resmini sunar ve diğer tüm sınıflandırma metriklerinin hesaplanmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir sınıflandırıcının değerlendirilmesinde ilk adım olarak her zaman bir karmaşıklık matrisi oluşturun. Uzmanlaşmış metrikleri seçmeden önce hata örüntülerini anlamak için kullanın. Matris, dengesiz veri kümeleri, çok sınıflı problemler ve sınıflandırıcının performansının tam bir resmini istediğiniz herhangi bir durum için esastır.
Güçlü yönler & sınırlılıklar
- Tüm tahmin türlerinin tam dökümüyle sınıflandırıcının performansının tam bir resmini sunar.
- Diğer herhangi bir sınıflandırma metriğinin hesaplanmasını sağlar.
- Toplu metriklerin gizlediği hata örüntülerini ve yanlılıkları ortaya çıkarır.
- Dengesiz veri kümesi sorunlarını görünür kılar.
- Hem ikili hem de çok sınıflı sınıflandırma için çalışır.
- Çok sayıda sınıfı olan problemler için yorumlanması bunaltıcı olabilir.
- Karşılaştırma için tek bir performans sayısı sağlamaz.
- Ham sayılar test kümesi boyutuna bağlıdır, bu da farklı veri kümeleri arasında karşılaştırmayı zorlaştırır.
- Normalleştirilmezse metrikler arasındaki ilişkileri gizleyebilir.
SSS
Karmaşıklık matrisi ile ROC eğrileri arasındaki ilişki nedir?
Karmaşıklık matrisi, ROC eğrilerinin oluşturulduğu ham verileri (TP, FP, FN, TN) sağlar. Bir ROC eğrisi, farklı karar eşiklerinde doğru pozitif oranını (karmaşıklık matrisinden hesaplanır) yanlış pozitif oranına (aynı zamanda matristen) karşı çizer. Karmaşıklık matrisi tek bir eşik içindir; ROC eğrisi tüm eşikler boyunca performansı gösterir.
Çok sınıflı problemler için karmaşıklık matrisini nasıl yorumlarım?
Çok sınıflı problemler için karmaşıklık matrisi, sınıf sayısı N olmak üzere NxN boyutundadır. Köşegen öğeler her sınıf için doğru tahminlerdir. Köşegen dışı öğeler, hangi sınıfların birbiriyle karıştırıldığını gösterir. i sınıfı için kesinlik veya duyarlılık gibi metrikleri hesaplamak için, i sınıfını pozitif ve diğer tüm sınıfları negatif olarak kabul edin.
Karmaşıklık matrisini normalleştirmeli miyim?
Evet, görsel inceleme ve karşılaştırma için. Her sınıfın gerçek örneklerinin hangi yollarla tahmin edildiğini göstermek için her satırı satır toplamına bölerek normalleştirin. Bu, dengesiz veri kümelerinin görsel olarak yorumlanmasını kolaylaştırır.
Kaynaklar
- Everitt, B. S., & Hothorn, T. (2005). A Handbook of Statistical Analyses Using R. Chapman and Hall/CRC. link ↗
- Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874. DOI: 10.1016/j.patrec.2005.10.010 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Confusion Matrix (Error Matrix). ScholarGate. https://scholargate.app/tr/model-evaluation/confusion-matrix
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- DoğrulukModel değerlendirme↔ karşılaştır
- Matthews Korelasyon KatsayısıModel değerlendirme↔ karşılaştır
- KesinlikModel değerlendirme↔ karşılaştır
- Geri Çağırma (Duyarlılık)Model değerlendirme↔ karşılaştır
- ÖzgüllükModel değerlendirme↔ karşılaştır