Data Science Academy · Ders

Karmaşıklık Matrisini Çözümleme

Doğru ve yanlış pozitifler ile negatifler

2. ders / 413 adım

Karmaşıklık Matrisini Çözümleme, CoddyKit'te ücretsiz bir Data Science Academy dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Data Science Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Data Science Academy kursu toplamda 4 dersten oluşur.

Tek Bir Sayının Ötesinde

Sınıflandırıcılarda tek bir doğruluk puanı çok fazla şeyi gizler. karmaşıklık matrisi, hangi tahminlerin doğru, hangilerinin yanlış olduğunu tam olarak ortaya koyar. 🧩

Basit Bir Izgara

Matris küçük bir ızgaradır: satırlar gerçek sınıfları, sütunlar tahmin edilen sınıfları gösterir. Her hücre, bu eşleşmenin kaç kez gerçekleştiğini sayar.

from sklearn.metrics import confusion_matrix
confusion_matrix(y_true, y_pred)

Doğru Pozitifler

Doğru pozitif, modelin evet dediği ve cevabın gerçekten evet olduğu durumdur. Bunlar en üst düzeye çıkarmak istediğiniz doğru sonuçlardır.

Doğru Negatifler

Doğru negatif, modelin hayır dediği ve gerçeğin de hayır olduğu durumdur. Model bu durumu doğru biçimde olduğu gibi bırakmıştır.

Yanlış Pozitifler

Yanlış pozitif, yanlış alarma benzer: model evet tahmininde bulunur, ancak gerçek cevap hayırdır. Sağlıklı bir hastayı hasta olarak işaretlediğinizi düşünün.

Yanlış Negatifler

Yanlış negatif, gözden kaçırılan bir durumdur: model hayır derken gerçek cevap evettir. Gerçek bir dolandırıcılığın fark edilmeden geçmesine izin verdiğinizi düşünün.

İki Tür Hata

İki hata türünün maliyetlerinin farklı olduğuna dikkat edin. Yanlış pozitif ile yanlış negatif nadiren eşit maliyetlidir; bu nedenle matris bunları ayrı tutar.

Doğruluğun Yeri

Doğruluk, yalnızca doğru hücrelerin toplam hücre sayısına oranıdır. Köşegenin tüm hücrelere bölünmesiyle bulunur; bu nedenle nadir hataları gizleyebilir.

accuracy = (TP + TN) / (TP + TN + FP + FN)

Köşegen Dışını Okuyun

En yararlı hücreler köşegenin dışında yer alır: modelin bir sınıfı başka bir sınıfla karıştırdığı yerleri göstererek zayıf noktalarını ortaya çıkarırlar.

Isı Haritası Olarak Görün

Çok sayıda sınıf olduğunda matrisi ısı haritası olarak çizin. Köşegen dışındaki parlak kareler, en çok hangi etiketlerin birbirine karıştırıldığını hemen gösterir.

from sklearn.metrics import ConfusionMatrixDisplay
ConfusionMatrixDisplay.from_predictions(y_true, y_pred)

Metriklerinizin Temeli

Neredeyse her sınıflandırma metriği bu dört sayıdan oluşturulur. Karmaşıklık matrisini öğrenin; geri kalanı doğal olarak gelecektir.

Hızlı Kontrol

Matrisin her hücresinin tamamen net olduğundan emin olalım.

Özet

Karmaşıklık matrisi, sonuçları doğru ve yanlış, pozitif ve negatif olarak ayırır. Bu dört sayı, her sınıflandırma metriğinin temelini oluşturur. 🎯

Başlamak ücretsiz

Yapay zeka eğitmeniyle Python öğren — ücretsiz

Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.

Kurslar
30
Dersler
120

Sıkça Sorulan Sorular

“Karmaşıklık Matrisini Çözümleme” dersi ücretsiz mi?

Evet — “Karmaşıklık Matrisini Çözümleme” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Data Science Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Data Science Academy kursu toplamda 4 dersten oluşur.

“Karmaşıklık Matrisini Çözümleme” dersinde ne öğreneceğim?

Doğru ve yanlış pozitifler ile negatifler Data Science Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Data Science Academy öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Data Science Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.

“Karmaşıklık Matrisini Çözümleme” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Data Science Academy dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Data Science Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

  1. Regresyon Ölçütleri: MAE, MSE, R2
  2. Karmaşıklık Matrisini Çözümleme
  3. Kesinlik, Duyarlılık ve F1
  4. ROC, AUC ve Eşikler
← Data Science Academy Sayfasına Dön