Etiket: roc

Derin Öğrenme, Makine Öğrenmesi, Veri Analizi

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

veribilimcisiYorum bırakın
Makine Öğrenmesi

ROC Eğrisi (ROC Curve)


ROC eğrisi ve eksiksiz bir hassasiyet / özgüllük raporu oluşturmayı sağlar. ROC eğrisinde, gerçek pozitif oran (Hassasiyet), bir parametrenin farklı kesme noktaları için yanlış pozitif oranı (100-Özgüllük) işlevinde çizilir. ROC eğrisindeki her nokta belirli bir karar eşiğine karşılık gelen bir duyarlılık / özgüllük çifti temsil eder. ROC eğrisi altındaki alan (AUC), bir parametrenin iki  grubun ne kadar iyi ayırt edilebildiğinin bir ölçüsüdür. Örneğin iki ayrı … Okumaya devam et ROC Eğrisi (ROC Curve)

veribilimcisiYorum bırakın
Makine Öğrenmesi

Karışıklık Matrisi (Confusion Matrix)


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 Karışıklık Matrisi (Confusion Matrix)

veribilimcisiYorum bırakın
Makine Öğrenmesi

Tahminlerin Kalitesini Ölçmek


Bir makine öğrenmesi algoritmasını uyguladıktan sonra bir sonraki adım, veri kümelerine dayanan modelin ne kadar etkili olduğunu bulmaktır. Farklı Makine Öğrenmesi Algoritmalarını değerlendirmek için farklı performans metrikleri kullanılır. Örneğin, farklı nesnelerin görüntüleri arasında ayrım yapmak için kullanılan bir sınıflandırıcı; Log-Loss, Average Accuracy, AUC, vb. Gibi sınıflandırma performans metriklerini kullanabiliriz. Makine öğrenme modeli bir hisse senedi fiyatını tahmin etmeye çalışıyorsa, RMSE verimliliğini hesaplamak için kullanılabilir. Makine öğrenme … Okumaya devam et Tahminlerin Kalitesini Ölçmek

veribilimcisiYorum bırakın