Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitim içeriği olup, konuşmacı confusion matrix (karışıklık matrisi) konusunu anlatmaktadır.
- Video, confusion matrix'in ne olduğunu açıklayarak başlıyor ve 2x2 boyutundaki matrisin true pozitif, false pozitif, false negatif ve true negatif değerlerini açıklıyor. Ardından Python'da confusion matrix'in nasıl hesaplanacağı gösteriliyor ve son olarak bu matrisin görselleştirilmesi için seaborn ve matplotlib kütüphanelerinin nasıl kullanılacağı anlatılıyor. Video, sınıflandırma problemlerinde modelin doğruluğunu ölçmek için kullanılan metrikleri ve bunların nasıl yorumlanacağını öğrenmek isteyenler için faydalı bir kaynak niteliğindedir.
- 00:00Confusion Matris Nedir?
- Confusion matris, sınıflama problemlerinde modelin doğruluğunun ölçüldüğü bir metriktir.
- Bu matris, gerçek sınıfların tahmin edilen sınıflarla karşılaştırılması sonucu oluşur.
- Confusion matris iki x iki boyutunda olup true pozitif, false pozitif, false negatif ve true negatif değerlerinden oluşur.
- 00:34Confusion Matrisin Değerleri
- True pozitif, gerçek sınıf pozitif ve tahminde pozitif olduğunda oluşur.
- False pozitif, gerçek sınıf negatif ve tahmin pozitif olduğunda oluşur.
- False negatif, gerçek sınıf pozitif ve tahmin negatif olduğunda oluşur.
- True negatif, gerçek sınıf negatif ve tahmin değeri de negatif olduğunda oluşur.
- 01:14Confusion Matrisin Yorumlanması
- Karelerin değerleri, modelin doğruluğunu ölçmek için doğruluk, hassasiyet, özgürlük ve F1 puanı gibi metriklerle yorumlanabilir.
- 01:28Python Örneği
- Python'da confonmatris kütüphanesi kullanılarak confusion matris hesaplanabilir.
- Gerçek değerler (y_true) ve tahmin değerleri (y_pred) numpy dizisi veya liste olarak tanımlanabilir.
- Confusion matris hesaplandıktan sonra true pozitif, false pozitif, false negatif ve true negatif değerleri çapraz bir şekilde görüntülenir.
- 04:34Confusion Matrisin Görselleştirilmesi
- Confusion matrisi görselleştirmek için seaborn ve matplotlib kütüphaneleri kullanılabilir.
- seaborn.heatmap fonksiyonu ile confusion matrisi görselleştirilebilir.
- anot parametresi true olarak ayarlandığında her hücrenin içine sayılar yazdırılır ve bu sayılar confusion matrisin ilgili hücrelerindeki veri sayısını gösterir.