Hassasiyet-Geri Çağırma Eğrisi Altında Kalan Alan (PR AUC)
Area Under the Precision-Recall Curve · Ayrıca şöyle bilinir: PR AUC, PR Curve
Hassasiyet-Geri Çağırma Eğrisi Altında Kalan Alan (PR AUC), geri çağırmanın x eksenine ve hassasiyetin y eksenine çizildiği eğrinin altında kalan alandır. Özellikle dengesiz veri kümelerinde sınıflandırıcıları değerlendirmek için kullanışlıdır; bu tür veri kümelerinde genellikle ROC AUC'den daha bilgilendiricidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
PR AUC'yi, azınlık pozitif sınıfının önemli olduğu dengesiz ikili sınıflandırma problemleri için kullanın. Özellikle dolandırıcılık tespiti, nadir hastalık teşhisi ve negatiflerin pozitiflerden çok daha fazla olduğu herhangi bir alanda değerlidir. PR AUC, dengesiz verilerde genellikle ROC AUC'den daha bilgilendiricidir.
Güçlü yönler & sınırlılıklar
- Dengesiz veri kümeleri için ROC AUC'den daha bilgilendirici; azınlık sınıfına odaklanır.
- Azınlık sınıfındaki sınıflandırıcı performansına duyarlıdır.
- Hassasiyet ve geri çağırma arasındaki değiş tokuşu açık hale getirerek doğrudan çizer.
- Alan özgü hassasiyet/geri çağırma gereksinimlerine dayalı eşik seçimi için kullanışlıdır.
- Temel çizgi (rastgele sınıflandırıcı) sınıf dengesizliği ile değişir, bu da veri kümeleri arasında karşılaştırmayı zorlaştırır.
- ROC AUC kadar yaygın olarak benimsenmemiştir; bazı uygulayıcılar yorumlamaya daha az aşina olabilir.
- Sadece sınıf tahminleri değil, olasılık çıktıları veya güven puanları gerektirir.
- Çok küçük pozitif sınıf boyutlarında ROC AUC'den daha az kararlı olabilir.
SSS
PR AUC'yi ROC AUC yerine ne zaman kullanmalıyım?
PR AUC'yi, azınlık pozitif sınıfının ilgi odağı olduğu dengesiz veri kümeleri için kullanın. ROC AUC yanıltıcı olabilir çünkü bir sınıflandırıcı, pozitif sınıf performansı zayıf olsa bile bol olan negatif sınıfı doğru bir şekilde tanımlayarak yüksek ROC AUC elde edebilir. PR AUC doğrudan pozitif sınıf performansına odaklanır.
Rastgele bir sınıflandırıcı için temel PR AUC nedir?
Rastgele bir sınıflandırıcı için PR AUC, pozitif örneklerin oranına (prevalans) eşittir. Örneğin, örneklerin %5'i pozitifse, rastgele bir sınıflandırıcının beklenen PR AUC'si 0.05'tir. Bu, sınıf dengesizliği ile değişir, bu da PR AUC değerlerinin, ROC AUC'ye kıyasla farklı prevalanslara sahip veri kümeleri arasında karşılaştırılmasını daha az olası hale getirir.
PR eğrisinden bir eşik nasıl seçilir?
Hassasiyet-geri çağırma eğrisini inceleyin ve gereksinimlerinize uyan bir eşik seçin. Yüksek hassasiyet (az yanlış pozitif) istiyorsanız, eğrinin sağ tarafında daha yüksek bir eşik seçin. Yüksek geri çağırma (az yanlış negatif) istiyorsanız, eğrinin sol tarafında daha düşük bir eşik seçin. Seçiminiz, yanlış pozitiflerin ve yanlış negatiflerin göreceli maliyetine bağlıdır.
Kaynaklar
- Davis, J., & Goadrich, M. (2006). The relationship between precision-recall and ROC curves. Proceedings of the 23rd International Conference on Machine Learning, 233-240. DOI: 10.1145/1143844.1143874 ↗
- Saito, T., & Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLoS ONE, 10(3), e0118432. DOI: 10.1371/journal.pone.0118432 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Area Under the Precision-Recall Curve. ScholarGate. https://scholargate.app/tr/model-evaluation/precision-recall-auc
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
- KesinlikModel değerlendirme↔ karşılaştır
- Geri Çağırma (Duyarlılık)Model değerlendirme↔ karşılaştır