Jaccard Katsayısı
Jaccard Similarity Coefficient · Ayrıca şöyle bilinir: Jaccard Similarity, Intersection over Union (IoU)
Jaccard katsayısı, kesişimin birleşime oranını hesaplayarak tahmin edilen ve gerçek etiket kümeleri arasındaki benzerliği ölçer. Çok etiketli sınıflandırma ve kısmi örtüşmenin önemli olduğu küme tabanlı benzerlik görevlerinde yaygın olarak kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yanlış pozitiflerin ve yanlış negatiflerin her ikisinin de eşit derecede önemli olmasını istediğinizde çok etiketli sınıflandırma için Jaccard katsayısını kullanın. Görüntü segmentasyonu (piksel kümelerinin kesişimi bölü birleşimi), belge etiketleme, çok etiketli sınıflandırma ve herhangi bir küme tabanlı karşılaştırma görevi için uygundur.
Güçlü yönler & sınırlılıklar
- Yanlış pozitifleri ve yanlış negatifleri eşit şekilde ele alan simetrik metrik.
- Doğru tahmin edilen birleşim kesrinin doğrudan yorumlanabilirliği.
- Kısmen doğru tahminler için kısmi kredi sağlar.
- Çok etiketli ve küme tabanlı problemler için doğal olarak çalışır.
- Hem yanlış pozitifleri hem de yanlış negatifleri eşit şekilde cezalandırır, bu da alan maliyetleriyle eşleşmeyebilir.
- Yalnızca az sayıda etiket beklendiğinde ancak çok sayıda etiket mümkün olduğunda aşırı katı olabilir.
- Küme teorisine aşina olmayan uygulayıcılar için daha az sezgisel.
- Etiket kümesi boyutuna duyarlı olabilir; daha büyük kümeler daha düşük Jaccard puanlarına yol açabilir.
SSS
Jaccard, Hamming kaybından nasıl farklıdır?
Hamming kaybı etiket bazında hataları ortalar (tüm etiketler içindeki yanlış etiket sayısı). Jaccard, tahmin edilen ve gerçek etiket kümelerini karşılaştırır (birleşimin hangi kesri doğrudur). Jaccard daha katıdır çünkü bir etiketi atlamak veya fazladan bir etiket tahmin etmek puana zarar verir. Hamming kaybı, etiket düzeyinde kısmen doğru tahminler için kredi verebilir.
Jaccard, IoU (Kesişim bölü Birleşim) ile aynı mıdır?
Evet, eşdeğerdirler. Jaccard katsayısı KESİŞİM BÖLÜ BİRLEŞİMDİR (IoU). Her iki terim de aynı metriğe atıfta bulunur: |kesişim| / |birleşim|. IoU bilgisayar görüşünde (görüntü segmentasyonu) daha yaygın kullanılırken, Jaccard istatistik ve çok etiketli öğrenmede daha yaygındır.
İyi bir Jaccard puanı nedir?
Sorunun zorluğuna bağlıdır. 0.5 Jaccard genellikle orta düzeyde kabul edilir. Çok sayıda olası etiket içeren zor problemlerde Jaccard doğal olarak daha düşük olabilir. Uygun taban çizgilerine (örneğin, tüm örnekler için en yaygın etiketleri tahmin etmek) ve alan beklentilerine karşılaştırın.
Kaynaklar
- Jaccard, P. (1901). Etude comparative de la distribution florale dans une portion des Alpes et des Jura. Bulletin de la Société Vaudoise des Sciences Naturelles, 37, 547-579. link ↗
- 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). Jaccard Similarity Coefficient. ScholarGate. https://scholargate.app/tr/model-evaluation/jaccard-index
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- F1-SkoruModel değerlendirme↔ karşılaştır
- Hamming KaybıModel değerlendirme↔ karşılaştır