Özgüllük
Specificity (True Negative Rate) · Ayrıca şöyle bilinir: True Negative Rate, TNR
Özgüllük, sınıflandırıcı tarafından doğru bir şekilde negatif olarak tanımlanan gerçek negatif vakaların oranını ölçer. 'Gerçekten negatif olan tüm vakalardan kaç tanesini doğru bir şekilde reddettik?' sorusuna cevap verir. Özgüllük, duyarlılığa (recall) tamamlayıcıdır ve yanlış pozitiflerin maliyetli olduğu durumlarda esastır.
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 olduğu veya gereksiz aşağı akış eylemlerine yol açtığı uygulamalarda özgüllüğü kullanın. Tıbbi taramalarda, yüksek özgüllük sağlıklı kişilerin yanlış teşhis edilmesini önleyerek gereksiz tedaviden kaçınılmasını sağlar. Spam tespitinde, yüksek özgüllük meşru e-postaların filtrelenmemesini sağlar. Yanlış negatiflerin (pozitif vakaların kaçırılması) birincil endişe olduğu durumlarda özgüllük daha az kritiktir.
Güçlü yönler & sınırlılıklar
- Negatif vakaları doğru bir şekilde tanımlama yeteneğini doğrudan ölçer; yüksek özgüllük düşük yanlış pozitif oranı anlamına gelir.
- Yorumlanabilir: özgüllük = 1.0, hiç yanlış pozitif olmadığı anlamına gelir.
- Yanlış pozitiflerin maliyetli aşağı akış kararlarına yol açtığı uygulamalar için esastır.
- Sınıflandırma performansının tam bir resmini vermek için duyarlılığı ve kesinliği tamamlar.
- Yanlış negatifleri göz ardı eder; bir model yüksek özgüllüğe sahipken birçok pozitif vakayı kaçırabilir.
- Model aşırı muhafazakar olup nadiren pozitif tahmin yaparsa yapay olarak yüksek olabilir.
- Sınıf dengesizliğini veya farklı hata türlerinin göreceli maliyetlerini hesaba katmaz.
- Tek başına özgüllük, duyarlılık dikkate alınmadan eksiktir.
SSS
Özgüllük ve kesinlik arasındaki ilişki nedir?
Özgüllük ve kesinlik, negatif tahmin kalitesinin yönlerini ölçer, ancak farklılık gösterirler: özgüllük, gerçek negatifleri ne kadar iyi tanımladığımızı (doğru negatif oranı) ölçerken, kesinlik pozitif tahminlerimizin ne sıklıkla doğru olduğunu ölçer. Farklı soruları yanıtlarlar: 'Negatif vakalara güvenebilir miyiz?' vs. 'Pozitif tahminlere güvenebilir miyiz?'
Özgüllük, duyarlılık ve dengeli doğruluk ile nasıl ilişkilidir?
Duyarlılık ve özgüllük simetrik metriklerdir: duyarlılık pozitif vakalara duyarlılığı (doğru pozitif oranı) ölçerken, özgüllük negatif vakalara duyarlılığı (doğru negatif oranı) ölçer. İkili sınıflandırmada, dengeli doğruluk, duyarlılık ve özgüllüğün ortalamasıdır: (duyarlılık + özgüllük) / 2, bu da her iki tür doğru tahmini eşit ağırlıklandırır.
Bir modelin neden yüksek özgüllüğe ancak düşük duyarlılığa sahip olabileceği?
Yüksek özgüllüğe ancak düşük duyarlılığa sahip bir model, negatif vakaların çoğunu doğru bir şekilde tanımlar (az sayıda yanlış pozitif) ancak birçok pozitif vakayı kaçırır (birçok yanlış negatif). Bu, modelin aşırı muhafazakar olduğu, yalnızca çok emin olduğu durumlarda pozitif tahmin yaptığı durumlarda ortaya çıkar. Bu yalnızca yanlış pozitiflerin aşırı maliyetli olduğu ve vakaları kaçırmanın kabul edilebilir olduğu durumlarda uygundur.
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). Specificity (True Negative Rate). ScholarGate. https://scholargate.app/tr/model-evaluation/specificity
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
- Matthews Korelasyon KatsayısıModel değerlendirme↔ karşılaştır
- KesinlikModel değerlendirme↔ karşılaştır
- Geri Çağırma (Duyarlılık)Model değerlendirme↔ karşılaştır