Özet - Metrikler
- Makine Öğrenmesi kursu
- Başlangıç
- Ders 102/112
- 6 dk
Bu grupta accuracy, precision, recall ve F1 metriklerini öğrendin.
Özet: metrikler
Bu grupta temel metrikleri derinleştirdin:
- Kayıp eğitimde küçültülür, metrik yorumlanır; log-loss olasılık kalitesini ölçer.
- Çok sınıfta sınıf başına doğruluk ve top-k doğruluk.
macro,weighted,microortalamaları; micro tek etiketli problemde doğruluğa eşittir.- ROC eğrisi ve eşikten bağımsız AUC.
- F-beta ile kesinlik-duyarlılık dengesini ayarlamak; eşiği doğrulama verisinde seçmek.
Uygulama En iyi F1 eşiği
Olasılıklar p ve etiketler y için precision_recall_curve çalıştır, her eşiğin F1 değerini hesapla ve en yüksek F1'i veren eşiği yazdır.
Başlangıç kodu
import numpy as np
from sklearn.metrics import precision_recall_curve
y = np.array([0, 0, 1, 0, 1, 1, 0, 1])
p = np.array([0.1, 0.3, 0.35, 0.4, 0.6, 0.7, 0.75, 0.9])
# buraya yazÖrnek çözüm
import numpy as np
from sklearn.metrics import precision_recall_curve
y = np.array([0, 0, 1, 0, 1, 1, 0, 1])
p = np.array([0.1, 0.3, 0.35, 0.4, 0.6, 0.7, 0.75, 0.9])
pr, re, esik = precision_recall_curve(y, p)
f1 = 2 * pr * re / (pr + re + 1e-12)
print(esik[f1[:-1].argmax()])Beklenen çıktı
0.35
Soru ve cevaplar
Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.
1 Eşik seçmeden iki sınıflandırıcının sıralama gücünü karşılaştırmak için hangisi uygundur?
- F1
- Kesinlik
- ROC AUC Doğru cevap
- Doğruluk
Açıklama: AUC tüm eşikleri birlikte değerlendirir.
2 Çok sınıflı F1'i sınıflara eşit ağırlıkla al.
Soru
f1_score(y_true, y_pred, average=____)
Cevap
f1_score(y_true, y_pred, average="macro")Açıklama: "macro" küçük sınıfları büyükler kadar önemser.
3 Metrikleri eşleştir.
| Kavram | Anlamı |
|---|---|
log_loss |
Olasılık kalitesi |
top_k_accuracy_score |
İlk k içinde doğru |
roc_auc_score |
Sıralama gücü |
fbeta_score |
Ayarlanabilir denge |