Accuracy, Precision, Recall ve F1 Score Nedir?

Accuracy, precision, recall ve F1 score karşılaştırması

Machine Learning modellerinde özellikle classification problemlerinde model performansını doğru değerlendirmek oldukça önemlidir. Ancak yalnızca accuracy değerine bakmak her zaman yeterli değildir.

Çünkü bazı durumlarda model:

• yüksek accuracy verebilir
• ama aslında kötü performans gösteriyor olabilir.

Bu yüzden classification problemlerinde kullanılan en önemli değerlendirme metrikleri:

👉 Accuracy 👉 Precision 👉 Recall 👉 F1 Score

olarak karşımıza çıkar.

📌 Accuracy Nedir?

Accuracy: 👉 modelin genel olarak ne kadar doğru tahmin yaptığını gösterir.

Yani:

• doğru tahminlerin
• tüm tahminlere oranıdır.

Burada:

• TP → True Positive
• TN → True Negative
• FP → False Positive
• FN → False Negative

Classification modellerinde accuracy metriği

⚠️ Accuracy Her Zaman Yeterli mi?

Hayır.

Örneğin:

• %95 negatif veri
• %5 pozitif veri

olan bir veri setinde model sürekli “negatif” diyerek: 👉 %95 accuracy elde edebilir.

Ama model aslında pozitif sınıfı hiç öğrenmemiş olabilir.

Bu yüzden: 👉 precision ve recall gibi metrikler oldukça önemlidir.

📌 Precision Nedir?

Precision: 👉 modelin pozitif tahminlerinin ne kadar doğru olduğunu gösterir.

Yani model:

• kaç kez pozitif tahmin yaptı
• bunların kaçı gerçekten doğruydu

sorusuna cevap verir.

Precision metriğinin görselleştirilmesi

📌 Recall Nedir?

Recall: 👉 gerçek pozitiflerin ne kadarının doğru tahmin edildiğini gösterir.

Özellikle:

• hastalık tahmini
• fraud detection

gibi alanlarda oldukça önemlidir.

Çünkü: 👉 gerçek pozitifleri kaçırmak ciddi sorunlara neden olabilir.

Recall metriğinin görselleştirilmesi

📌 F1 Score Nedir?

F1 Score: 👉 precision ve recall değerlerinin dengeli ortalamasıdır.

Bu metrik:

• precision
• recall

arasında denge kurmaya çalışır.

Özellikle: 👉 dengesiz veri setlerinde oldukça kullanışlıdır.

F1 Score metriğinin görselleştirilmesi

⚖️ Accuracy vs Precision vs Recall vs F1

✅ Accuracy

Genel doğruluk oranı

✅ Precision

Pozitif tahminlerin doğruluğu

✅ Recall

Gerçek pozitifleri yakalama oranı

✅ F1 Score

Precision ve recall dengesi

🧪 Python ile Metric Hesaplama Örneği

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# Gerçek değerler
y_true = [1, 0, 1, 1, 0, 1]

# Model tahminleri
y_pred = [1, 0, 1, 0, 0, 1]

# Metric hesaplama
print("Accuracy:", accuracy_score(y_true, y_pred))
print("Precision:", precision_score(y_true, y_pred))
print("Recall:", recall_score(y_true, y_pred))
print("F1 Score:", f1_score(y_true, y_pred))

✍️ Kod Açıklaması

Bu örnekte:

• model tahminleri gerçek değerlerle karşılaştırılmıştır
• classification metrikleri hesaplanmıştır
• model performansı farklı açılardan değerlendirilmiştir

Bu metrikler classification modellerinin başarısını anlamak için kullanılır.

📈 Nerelerde Kullanılır?

• Logistic Regression
• Neural Networks
• Spam Detection
• Fraud Detection
• Medical Diagnosis
• Computer Vision
• NLP uygulamaları

Kısacası, classification problemlerinin büyük kısmında bu metrikler kullanılır.

🧠 Sonuç

Accuracy, Precision, Recall ve F1 Score, classification modellerinin performansını değerlendirmek için kullanılan en temel metriklerdir.

Bu metrikler sayesinde:

• modelin güçlü ve zayıf yönleri analiz edilebilir
• hata türleri anlaşılabilir
• daha güvenilir modeller geliştirilebilir.

Başarılı bir machine learning modeli oluşturmak için bu değerlendirme yöntemlerini anlamak oldukça önemlidir.