Kesinlik

Kesinlik (precision), pozitif tahminlerin doğruluk oranıdır.

Kesinlik (precision)

Kesinlik, model "pozitif" dediğinde ne kadar haklı olduğunu ölçer: TP / (TP + FP). Yanlış alarmların pahalı olduğu yerlerde önemlidir.

from sklearn.metrics import precision_score
y_true = [1, 1, 0, 0, 0]
y_pred = [1, 1, 1, 0, 0]
print(precision_score(y_true, y_pred))   # 2 / 3 = 0.667

Spam filtresi örneği: kesinlik düşükse önemli e-postalar spam klasörüne düşer.

Pozitif tahmin yoksa

Model hiç pozitif demezse payda sıfırdır ve kesinlik tanımsızdır. scikit-learn bu durumda 0 döndürüp uyarı verir; zero_division ile davranış seçilir:

print(precision_score([1, 0], [0, 0], zero_division=0))   # 0.0

Çok sınıflı problemde average parametresi gerekir: "macro" sınıf ortalaması, "weighted" sınıf büyüklüğüne göre ağırlıklı ortalama.

Uygulama Kesinliği hesapla

Verilen etiketlerde kesinliği precision_score ile hesapla ve round(..., 3) ile yazdır. Ardından aynı değeri TP / (TP + FP) ile elle hesapla (TP ve FP'yi döngüyle ya da zip ile say) ve yazdır.

Örnek çözümü göster

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

y_true = [1, 1, 1, 1, 0, 0, 0, 0, 0, 0]
y_pred = [1, 1, 1, 0, 1, 0, 0, 0, 0, 0]

print(round(precision_score(y_true, y_pred), 3))
tp = sum(1 for t, p in zip(y_true, y_pred) if t == 1 and p == 1)
fp = sum(1 for t, p in zip(y_true, y_pred) if t == 0 and p == 1)
print(round(tp / (tp + fp), 3))

Kendini test et

TP=30, FP=10 ise kesinlik kaçtır?
- 0.75
- 0.25
- 0.33
- 3.0
Cevabı göster

0.75 — 30 / (30 + 10) = 0.75.

Çok sınıflı kesinliğin sınıf ortalamasını al.

p = precision_score(y_true, y_pred, average=____)

Cevabı göster

p = precision_score(y_true, y_pred, average="macro")

Kavramları eşleştir.

kesinlik

TP / (TP + FP)
düşük kesinlik

Çok yanlış alarm
zero_division

Sıfır payda davranışı
average="macro"

Sınıf ortalaması

Sıradaki ders: Duyarlılık

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler