Kesinlik
Precision (Positive Predictive Value) · Ayrıca şöyle bilinir: Positive Predictive Value, PPV
Kesinlik, doğru çıkan pozitif tahminlerin oranını ölçer. 'Pozitif olarak tahmin ettiğimiz tüm vakaların ne kadarı gerçekten pozitifti?' sorusuna cevap verir. Yanlış pozitiflerin maliyetli olduğu senaryolarda kesinlik kritiktir.
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 maliyetli veya sakıncalı olduğu durumlarda kesinliği kullanın; örneğin spam filtreleme (yanlış pozitifler meşru e-postaları filtreleyerek kullanıcıları rahatsız eder), pahalı tedaviler için tıbbi testler (yanlış pozitifler gereksiz tedaviye yol açar) veya içerik denetimi (yanlış pozitifler meşru içeriği haksız yere işaretler). Pozitif vakaları kaçırmanın (yüksek yanlış negatifler) birincil endişe olduğu durumlarda kesinlik daha az önemlidir.
Güçlü yönler & sınırlılıklar
- Pozitif tahminlerdeki güveni doğrudan ölçer; yüksek kesinlik, pozitif tahminlerin güvenilir olduğu anlamına gelir.
- Yorumlanabilir: kesinlik = 1.0, tüm pozitif tahminlerin doğru olduğu anlamına gelir.
- Yanlış pozitiflerin yüksek maliyetli veya sosyal etkisi olduğu uygulamalar için esastır.
- Sınıflandırma performansının tam bir resmini vermek için duyarlılığı tamamlar.
- Yanlış negatifleri göz ardı eder; bir model, birçok pozitif vakayı kaçırırken yüksek kesinliğe sahip olabilir.
- Model aşırı muhafazakar olduğunda (çok az pozitif tahmin yaptığında) yapay olarak yüksek olabilir.
- Sınıf dengesizliğini veya farklı hata türlerinin göreceli maliyetlerini hesaba katmaz.
- Tek başına kesinlik, duyarlılık dikkate alınmadan eksiktir.
SSS
Kesinliği duyarlılığa ne zaman önceliklendirmeliyim?
Yanlış pozitifin maliyetinin yüksek olduğu durumlarda kesinliği önceliklendirin. Spam filtrelemede, yanlış pozitif kullanıcı zamanını ve güvenini boşa harcar. Pahalı tedaviler için tıbbi taramalarda, yanlış pozitif gereksiz tıbbi prosedürlere yol açar. Buna karşılık, kanser tarama testleri için, bir kanser vakasını kaçırmak çok maliyetli olduğundan, duyarlılık genellikle daha önemlidir.
Bir model yüksek kesinliğe ancak düşük duyarlılığa sahip olabilir mi?
Evet. Bir model yalnızca çok emin olduğu durumlarda pozitif tahmin edebilir, az sayıda vakayı doğru tahmin ederek (yüksek kesinlik) ancak birçok gerçek pozitif vakayı kaçırarak (düşük duyarlılık). Bu, yalnızca yanlış pozitiflerin aşırı maliyetli olduğu ve vakaları kaçırmanın kabul edilebilir olduğu durumlarda uygun olan muhafazakar bir stratejidir.
Kesinlik ve duyarlılık yanlış pozitifler ve yanlış negatiflerle nasıl ilişkilidir?
Kesinlik doğrudan yanlış pozitiflerle ilişkilidir: yanlış pozitifler arttıkça azalır. Duyarlılık doğrudan yanlış negatiflerle ilişkilidir: yanlış negatifler arttıkça azalır. Kesinliği iyileştirmek için yanlış pozitifleri azaltın. Duyarlılığı iyileştirmek için yanlış negatifleri azaltın. Aralarındaki ödünleşim sınıflandırmada temeldir.
Kaynaklar
- Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874. DOI: 10.1016/j.patrec.2005.10.010 ↗
- 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). Precision (Positive Predictive Value). ScholarGate. https://scholargate.app/tr/model-evaluation/precision
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