Deep Learning Academy · Ders

Kesinlik, Duyarlılık, F1 ve ROC-AUC

Gerçek değerlendirme için doğruluğun ötesine geçin.

1. ders / 413 adım

Kesinlik, Duyarlılık, F1 ve ROC-AUC, CoddyKit'te ücretsiz bir Deep Learning Academy dersidir. Bu, 4 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Deep Learning Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Deep Learning Academy kursu toplamda 4 dersten oluşur.

Doğruluk Yanıltabilir

Tek bir sınıf baskın olduğunda, işe yaramaz bir modelde bile doğruluk harika görünebilir. Gerçek performansı değerlendirmek için daha seçici ölçütlere ihtiyacınız vardır.

Dört Sonuç

Her tahmin; doğru pozitif, doğru negatif, yanlış pozitif veya yanlış negatiftir. Bu dört sayı, daha kapsamlı tüm ölçütlerin temelini oluşturur.

Kesinlik: Pozitiflere Güvenin

Kesinlik şunu sorar: pozitif olarak işaretlediklerinizin kaç tanesi gerçekten pozitiftir? Yüksek kesinlik, az sayıda yanlış alarm anlamına gelir.

precision = tp / (tp + fp)

Duyarlılık: Hepsini Yakalayın

Duyarlılık şunu sorar: gerçek pozitiflerin kaç tanesini yakaladınız? Yüksek duyarlılık, az sayıda gözden kaçan durum anlamına gelir.

recall = tp / (tp + fn)

Ödünleşim

Kesinliği artırdığınızda duyarlılık çoğu zaman düşer; tersi de geçerlidir. Doğru denge, her hata türünün maliyetine bağlıdır.

F1: Tek Bir Dengeli Puan

F1 puanı, kesinlik ile duyarlılığın harmonik ortalamasıdır. Her ikisini de makul ölçüde yüksek tutan modelleri ödüllendirir.

f1 = 2 * p * r / (p + r)

Eşikler Çizgiyi Değiştirir

Sınıflandırıcı bir olasılık üretir; eşik, pozitif ile negatif arasındaki kararı belirler. Eşiği kaydırmak kesinlik ve duyarlılığı yeniden şekillendirir.

ROC Eğrisi

ROC eğrisi, her eşik boyunca doğru pozitif oranını yanlış pozitif oranına karşı çizer ve ödünleşimin tamamını tek bakışta gösterir.

ROC-AUC Tek Sayıyla

ROC-AUC, bu eğrinin altındaki alandır. Sıralama kalitesini, eşikten bağımsız olarak sıfır ile bir arasında tek bir sayıyla ifade eder.

from sklearn.metrics import roc_auc_score

AUC Değerlerini Okuma

AUC değerinin 0,5 olması rastgele tahmin anlamına gelirken 1,0 kusursuz ayrımı gösterir. Daha yüksek değer, modelin pozitifleri negatiflerin üzerinde iyi sıraladığını belirtir.

Uygun Ölçütü Seçin

Ölçütünüzü göreve göre seçin: hastalık taraması için duyarlılık, istenmeyen posta filtreleri için kesinlik, sıralama kalitesi için AUC.

Hızlı Kontrol

Gerçek pozitiflerden kaç tanesini başarıyla yakaladığınızı hangi ölçütün belirlediğini düşünün.

İnteraktif derste cevapla

Özet

Doğruluğun ötesine geçerek kesinlik, duyarlılık, F1 ve ROC-AUC kullanın. Her biri farklı bir soruyu yanıtlar; bu nedenle ölçütü hedefinizle eşleştirin. 🎯

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

Ücretsiz öğrenmeye başla Tüm kursu görüntüle

Sıkça Sorulan Sorular

“Kesinlik, Duyarlılık, F1 ve ROC-AUC” dersi ücretsiz mi?

Evet — “Kesinlik, Duyarlılık, F1 ve ROC-AUC” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Deep Learning Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Deep Learning Academy kursu toplamda 4 dersten oluşur.

“Kesinlik, Duyarlılık, F1 ve ROC-AUC” dersinde ne öğreneceğim?

Gerçek değerlendirme için doğruluğun ötesine geçin. Deep Learning Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Deep Learning Academy öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Deep Learning Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 1. dersidir.

“Kesinlik, Duyarlılık, F1 ve ROC-AUC” 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 Deep Learning Academy dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Deep Learning 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

← Deep Learning Academy Sayfasına Dön