Matthews Korelasyon Katsayısı
Matthews Correlation Coefficient (MCC) · Ayrıca şöyle bilinir: Phi Coefficient, Binary Classification Correlation
Matthews Korelasyon Katsayısı (MCC), tahmin edilen ve gerçek ikili sınıflandırmalar arasındaki bir korelasyon ölçüsüdür. -1 ile 1 arasında değişir ve özellikle dengesiz veri kümelerinde ikili sınıflandırıcıları değerlendirmek için en güvenilir tek puanlı metriklerden biri olarak kabul edilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
MCC'yi dengesiz veri kümelerindeki ikili sınıflandırma için birincil metrik olarak kullanın. MCC sınıf dengesizliğine duyarsızdır ve çoğunluk sınıfını tahmin etmeyi ödüllendirmez. Tüm tahmin ve hata türlerini dikkate alan tek bir puan gerektiğinde özellikle kullanışlıdır.
Güçlü yönler & sınırlılıklar
- Dengesizliğe bakılmaksızın her iki sınıfı da eşit şekilde ele alan simetrik metrik.
- Yalnızca modelin hem pozitif hem de negatif sınıflarda iyi performans gösterdiği durumlarda yüksektir.
- Sınıf dengesizliğine duyarsızdır, bu da onu dengesiz veri kümeleri için ideal kılar.
- Karışıklık matrisinin dört unsurunu da dikkate alır.
- Bir olasılık olarak yorumlanamaz, bu da bazı uygulayıcıları şaşırtabilir.
- Tek bir sınıf için mükemmel veya sıfır tahminlerle uç durumlarda tanımsız olabilir (payda = 0).
- Hassasiyet veya geri çağırma gibi metriklerden, korelasyon istatistiklerine aşina olmayan uygulayıcılar için daha az sezgiseldir.
- F1-skoru veya dengeli doğruluk gibi metriklerden daha az yaygın olarak raporlanır, bu da diğer çalışmalarla karşılaştırmayı zorlaştırır.
SSS
Dengesiz veri kümeleri için MCC, F1-skoru ile nasıl karşılaştırılır?
Her ikisi de dengesizliğe karşı dayanıklıdır, ancak farklı yönleri vurgularlar. MCC, her iki sınıfı da eşit şekilde ele alan simetrik bir korelasyondur. F1-skoru yalnızca pozitif sınıfa odaklanır. İkili dengesiz problemler için, MCC genellikle tercih edilir çünkü her iki sınıfta da performansı garanti eder. Yalnızca pozitif sınıfın önemli olduğu problemler için (örneğin, dolandırıcılık tespiti), F1-skoru tercih edilebilir.
Negatif MCC ne anlama gelir?
Negatif MCC, sistematik ters tahminleri gösterir: model, vakalar aslında negatifken pozitif tahmin etme eğilimindedir ve bunun tersi de geçerlidir. -1 MCC, mükemmel ancak ters tahminler anlamına gelir. Negatif MCC, rastgeleden (MCC = 0) daha kötüdür ve temelde bozuk bir sınıflandırıcıyı gösterir.
MCC çok sınıflı problemler için hesaplanabilir mi?
Orijinal MCC formülü ikili sınıflandırma için geçerlidir. Çok sınıflı problemler için, sınıf başına MCC (her sınıfı pozitif ve diğer tüm sınıflara karşı ele alarak) hesaplayabilir veya çok sınıflı MCC gibi uzantıları kullanabilirsiniz, ancak bunlar daha az yaygındır ve dikkatli yorumlama gerektirir.
Kaynaklar
- Matthews, B. W. (1975). Comparison of predicted and observed secondary structure of T4 phage lysozyme. Biochimica et Biophysica Acta (BBA)-Protein Structure, 405(2), 442-451. DOI: 10.1016/0005-2795(75)90109-9 ↗
- 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). Matthews Correlation Coefficient (MCC). ScholarGate. https://scholargate.app/tr/model-evaluation/matthews-correlation-coefficient
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dengeli DoğrulukModel değerlendirme↔ karşılaştır
- F1-SkoruModel değerlendirme↔ karşılaştır
- KesinlikModel değerlendirme↔ karşılaştır
- Geri Çağırma (Duyarlılık)Model değerlendirme↔ karşılaştır
- Yudens J İstatistiğiModel değerlendirme↔ karşılaştır