Duyarlılık

Duyarlılık (recall), gerçek pozitiflerin yakalama oranıdır.

Duyarlılık (recall)

Duyarlılık, gerçek pozitiflerin ne kadarının yakalandığını ölçer: TP / (TP + FN). Kaçırmanın pahalı olduğu yerlerde önemlidir: hastalık taraması, sahtekârlık tespiti.

from sklearn.metrics import recall_score
y_true = [1, 1, 1, 0, 0]
y_pred = [1, 0, 0, 0, 0]
print(recall_score(y_true, y_pred))   # 1 / 3 = 0.333

Her şeye pozitif diyen bir model duyarlılık 1.0 alır ama kesinliği çok düşer.

Kesinlik-duyarlılık dengesi

Eşik düşünce model daha çok pozitif der: duyarlılık artar, kesinlik düşer. Eşik yükselince tersi olur:

p = m.predict_proba(X_test)[:, 1]
for esik in [0.3, 0.5, 0.7]:
    t = (p >= esik).astype(int)
    print(esik, precision_score(y_test, t), recall_score(y_test, t))

Hangi noktanın seçileceği iş problemine bağlıdır; precision_recall_curve tüm eşikleri tek seferde verir.

Uygulama Eşik etkisi

Olasılık dizisi p için 0.3 ve 0.7 eşiklerinde kararları üret. Her eşik için eşik değeri, kesinlik ve duyarlılığı round(..., 2) ile aynı satırda yazdır.

Örnek çözümü göster

import numpy as np
from sklearn.metrics import precision_score, recall_score

y_true = np.array([1, 1, 1, 1, 0, 0, 0, 0])
p = np.array([0.9, 0.8, 0.45, 0.35, 0.6, 0.4, 0.2, 0.1])

for esik in [0.3, 0.7]:
    t = (p >= esik).astype(int)
    print(esik, round(precision_score(y_true, t), 2), round(recall_score(y_true, t), 2))

Kendini test et

Kanser taramasında hangi metrik öncelikle yüksek tutulmalıdır?
- Kesinlik
- Doğruluk
- Hiçbiri
- Duyarlılık
Cevabı göster

Duyarlılık — Bir hastayı kaçırmak (FN), sağlıklı birini ek teste göndermekten çok daha pahalıdır.

Duyarlılığı hesapla.

r = ____(y_true, y_pred)

Cevabı göster

r = recall_score(y_true, y_pred)

Eşik değişimini sonuçlarla eşleştir.

Eşik düşer

Duyarlılık artar
Eşik yükselir

Kesinlik artar
Hepsine pozitif

Duyarlılık 1.0
precision_recall_curve

Tüm eşikler

Sıradaki ders: F1 skoru

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler