Sınıflandırma Metrikleri


Karışıklık Matrisi Bir karışıklık matrisi, gerçek değerlerin bilinmekte olduğu bir dizi test verisi üzerinde, bir sınıflandırma modelinin performansını tanımlamak için sıklıkla kullanılan bir tablodur.  Örnek bir karışıklık matrisi aşağıda verilmiştir. Karışıklık matrisini anlamak kolaydır, ancak terminolojisi kafa karıştırıcı olabilir. İkili sınıflandırıcı için örnek bir karışıklık matrisiyle başlayalım ancak birden fazla sınıfın olması durumunda tablo kolayca genişletilebilir: İkili sınıflandırıcı için örnek karışıklık matrisi aşağıdaki gibi verilmiş … Okumaya devam et Sınıflandırma Metrikleri

Doğru Metrik Seçimi


Makine Öğrenmesi alanında kullanabileceğimiz birçok metrikten bahsetmiştik. Bunlarla ilgili daha fazla bilgiye aşağıdan ulaşabilirsiniz. MSE, RMSE, MAE, MAPE ve Diğer Metrikler Çapraz Doğrulama (Cross Validation) Tahminlerin Kalitesini Ölçmek Kısaca bu metriklerin ne işe yaradığından bahsettikten sonra, bu metriklerin hangi problem için uygun olacağı üzerinde duracağız. Bir makine öğrenme algoritmasını verilerimize uyguladıktan sonraki adım, modelin  veriye ne kadar uygun olduğunu bulmaktır.  Farklı makine öğrenmesi algoritmalarını değerlendirmek … Okumaya devam et Doğru Metrik Seçimi

Log Kaybı ve Çapraz Entropi (Log Loss and Cross-Entropy)


Çapraz entropi kaybı veya log kaybı(log loss), çıktısı 0 ile 1 arasında bir olasılık değeri olan bir sınıflandırma modelinin performansını ölçer. Bu makine öğrenmesi modeline örnek olarak lojistik regresyon verilebilir. Tahmin edilen olasılık asıl değerden uzaklaştıkça çapraz entropi kaybı artar. Yani gerçek gözlem etiketi 1 olduğu zaman .012 olasılığının kötüye gideceği ve bunun yüksek bir kayıp değerine yol açacağı tahmin edilir. Mükemmel bir modelde, 0 … Okumaya devam et Log Kaybı ve Çapraz Entropi (Log Loss and Cross-Entropy)