Hamming Kaybı
Hamming Loss (Multi-label Classification) · Ayrıca şöyle bilinir: Hamming Distance, Subset Accuracy Loss
Hamming kaybı, çok etiketli sınıflandırmada yanlış tahmin edilen etiketlerin oranını ölçer. Etiket hatalarının sayısını toplam etiket sayısına bölerek hesaplar ve çok etiketli problemler için basit bir metrik 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
Hamming kaybını, her örneğin birden fazla etikete sahip olabileceği ve bireysel etiket hatalarını cezalandırmak istediğiniz çok etiketli sınıflandırma için kullanın. Belge etiketleme, görüntü açıklama ve örneklerin doğal olarak birden fazla etikete sahip olduğu çok dilli metin işleme için uygundur.
Güçlü yönler & sınırlılıklar
- Basit ve sezgisel: yanlış etiketlerin oranını ölçer.
- Kısmen doğru tahminler için kısmi kredi sağlar.
- Tüm etiketler üzerindeki bir hata oranı olarak doğrudan yorumlanabilir.
- Hesaplama açısından verimlidir.
- Bireysel etiketler için yanlış pozitifler ve yanlış negatifler arasında ayrım yapmaz.
- Tüm etiketleri eşit derecede önemli kabul eder; etiket dengesizliğini hesaba katmaz.
- Etiket korelasyonlarını veya hiyerarşilerini hesaba katmaz.
- Dengesiz çok etiketli ortamlarda en sık görülen etiketler tarafından domine edilebilir.
SSS
Hamming kaybı 0/1 kaybından (alt küme doğruluğu) nasıl farklıdır?
Hamming kaybı bireysel yanlış etiketleri sayar ve tüm etiketler üzerinden ortalama alır. Alt küme doğruluğu (0/1 kaybı), HERHANGİ bir etiket yanlışsa bir örneği yanlış sayar, örnek başına 0/1 kredi verir. Hamming kaybı kısmi kredi verir ve daha az katıdır; alt küme doğruluğu daha katıdır, kredi için tüm etiketlerin doğru olmasını gerektirir.
İyi bir Hamming kaybı değeri nedir?
Probleme bağlıdır. Genellikle 0.05 veya daha düşük bir Hamming kaybı iyi kabul edilir. Ancak, çok sayıda etikete sahip çok etiketli problemlerde, çoğu etiket negatif olsa bile rastgele tahmin düşük Hamming kaybına neden olabilir. Uygun temel çizgilerle karşılaştırın (örneğin, tüm örnekler için en sık görülen etiketi tahmin etmek).
Etiketler dengesizse Hamming kaybını kullanmalı mıyım?
Hamming kaybı tüm etiketleri eşit şekilde ele alır, bu nedenle en sık görülen etiketler tarafından domine edilebilir. Dengesiz çok etiketli veriler için, ağırlıklı varyantları düşünün veya azınlık etiketlerinin göz ardı edilmediğinden emin olmak için etiket başına hassasiyet ve duyarlılığı ayrı ayrı inceleyin.
Kaynaklar
- Schapire, R. E., & Singer, Y. (2000). BoosTexter: A boosting-based system for text categorization. Machine Learning, 39(2-3), 135-168. DOI: 10.1023/A:1007649029923 ↗
- Tsoumakas, G., & Katakis, I. (2007). Multi-label classification: An overview. International Journal of Data Warehousing and Mining, 3(3), 1-13. DOI: 10.4018/jdwm.2007070101 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Hamming Loss (Multi-label Classification). ScholarGate. https://scholargate.app/tr/model-evaluation/hamming-loss
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Jaccard KatsayısıModel değerlendirme↔ karşılaştır