Hassasiyet, model taraf\u0131ndan do\u011fru \u015fekilde s\u0131n\u0131fland\u0131r\u0131lan t\u00fcm g\u00f6zlemlerin y\u00fczdesidir.<\/span><\/p>\n A\u015fa\u011f\u0131daki \u015fekilde hesaplan\u0131r:<\/span><\/p>\n Do\u011fruluk = (# ger\u00e7ek pozitif + # ger\u00e7ek negatif) \/ (toplam \u00f6rnek boyutu)<\/span><\/p>\n \u00d6\u011frencilerin do\u011frulukla ilgili s\u0131kl\u0131kla sorduklar\u0131 bir soru \u015fudur:<\/span><\/p>\n Bir makine \u00f6\u011frenimi modelinin do\u011frulu\u011fu i\u00e7in “iyi” de\u011fer olarak kabul edilen \u015fey nedir?<\/strong><\/em><\/span><\/p>\n Bir modelin do\u011frulu\u011fu %0 ila %100 aras\u0131nda de\u011fi\u015febilse de, bir modelin “iyi” do\u011frulu\u011fa sahip olup olmad\u0131\u011f\u0131n\u0131 belirlemek i\u00e7in kulland\u0131\u011f\u0131m\u0131z evrensel bir e\u015fik yoktur.<\/span><\/p>\n Bunun yerine genellikle modelimizin do\u011frulu\u011funu referans modelin do\u011frulu\u011fuyla kar\u015f\u0131la\u015ft\u0131r\u0131r\u0131z.<\/span><\/strong><\/p>\n Temel model, bir veri setindeki her g\u00f6zlemin en yayg\u0131n s\u0131n\u0131fa ait oldu\u011funu basit\u00e7e tahmin eder.<\/span><\/p>\n Uygulamada, referans modelden daha y\u00fcksek do\u011frulu\u011fa sahip herhangi bir s\u0131n\u0131fland\u0131rma modeli “faydal\u0131” olarak kabul edilebilir, ancak a\u00e7\u0131k\u00e7as\u0131 bizim modelimiz ile referans model aras\u0131ndaki do\u011fruluk fark\u0131 ne kadar b\u00fcy\u00fckse o kadar iyidir.<\/span><\/p>\n A\u015fa\u011f\u0131daki \u00f6rnek, bir s\u0131n\u0131fland\u0131rma modelinin “iyi” do\u011frulu\u011fa sahip olup olmad\u0131\u011f\u0131n\u0131n kabaca nas\u0131l belirlenece\u011fini g\u00f6sterir.<\/span><\/p>\n 400 farkl\u0131 kolej basketbol oyuncusunun NBA’e al\u0131n\u0131p al\u0131nmayaca\u011f\u0131n\u0131 tahmin etmek i\u00e7in lojistik regresyon modeli<\/a> kulland\u0131\u011f\u0131m\u0131z\u0131 varsayal\u0131m.<\/span><\/p>\n A\u015fa\u011f\u0131daki kar\u0131\u015f\u0131kl\u0131k matrisi,<\/a> modelin yapt\u0131\u011f\u0131 tahminleri \u00f6zetlemektedir:<\/span> <\/p>\n Bu modelin do\u011frulu\u011funu \u015fu \u015fekilde hesaplayabilirsiniz:<\/span><\/p>\n Model, oyuncular\u0131n %72,5’inin<\/strong> sonucunu do\u011fru bir \u015fekilde tahmin etti.<\/span><\/p>\n Do\u011frulu\u011fun \u201ciyi\u201d olup olmad\u0131\u011f\u0131na dair bir fikir edinmek i\u00e7in temel bir modelin do\u011frulu\u011funu hesaplayabiliriz.<\/span><\/p>\n Bu \u00f6rnekte oyuncular i\u00e7in en yayg\u0131n sonu\u00e7 draft edilmemekti. \u00d6zellikle 400 oyuncudan 240’\u0131 draft edilmedi.<\/span><\/p>\n Temel bir model, her oyuncunun draft edilmeyece\u011fini basit\u00e7e tahmin eden bir model olabilir.<\/span><\/p>\n Bu modelin do\u011frulu\u011fu \u015fu \u015fekilde hesaplanacakt\u0131r:<\/span><\/p>\n Bu temel model, oyuncular\u0131n %60’\u0131n\u0131n<\/strong> sonucunu do\u011fru bir \u015fekilde tahmin edebiliyordu.<\/span><\/p>\n Bu senaryoda, lojistik regresyon modelimiz temel modele g\u00f6re do\u011frulukta kayda de\u011fer bir iyile\u015fme sa\u011fl\u0131yor, dolay\u0131s\u0131yla modelimizin en az\u0131ndan “faydal\u0131” oldu\u011funu d\u00fc\u015f\u00fcn\u00fcyoruz.<\/span><\/p>\n Uygulamada, muhtemelen birka\u00e7 farkl\u0131 s\u0131n\u0131fland\u0131rma modelini bir araya getiririz ve nihai modeli, temel modelle kar\u015f\u0131la\u015ft\u0131r\u0131ld\u0131\u011f\u0131nda do\u011fruluk a\u00e7\u0131s\u0131ndan en b\u00fcy\u00fck kazan\u0131m\u0131 sa\u011flayan model olarak se\u00e7eriz.<\/span><\/p>\n Kesinlik, yorumlanmas\u0131 kolay oldu\u011fundan yayg\u0131n olarak kullan\u0131lan bir \u00f6l\u00e7\u00fcmd\u00fcr.<\/span><\/p>\n \u00d6rne\u011fin bir modelin %90 do\u011fru oldu\u011funu s\u00f6ylersek g\u00f6zlemlerin %90’\u0131n\u0131 do\u011fru s\u0131n\u0131fland\u0131rd\u0131\u011f\u0131n\u0131 biliyoruz.<\/span><\/p>\n Ancak do\u011fruluk, verilerin nas\u0131l da\u011f\u0131t\u0131ld\u0131\u011f\u0131n\u0131 dikkate almaz.<\/span><\/p>\n \u00d6rne\u011fin, oyuncular\u0131n %90’\u0131n\u0131n NBA’e se\u00e7ilmedi\u011fini varsayal\u0131m.<\/span> Basit\u00e7e her oyuncunun draft edilmeyece\u011fini \u00f6ng\u00f6ren bir modelimiz olsayd\u0131, model oyuncular\u0131n %90’\u0131n\u0131n sonucunu do\u011fru bir \u015fekilde tahmin ederdi.<\/span><\/p>\n Bu de\u011fer y\u00fcksek gibi g\u00f6r\u00fcnse de asl\u0131nda model hangi oyuncular\u0131n draft edilece\u011fini do\u011fru bir \u015fekilde tahmin edemiyor.<\/span><\/p>\n S\u0131kl\u0131kla kullan\u0131lan alternatif bir \u00f6l\u00e7\u00fcm, verilerin nas\u0131l da\u011f\u0131t\u0131ld\u0131\u011f\u0131n\u0131 dikkate alan F1 Puan\u0131<\/strong> olarak adland\u0131r\u0131l\u0131r.<\/span><\/p>\n \u00d6rne\u011fin, veriler olduk\u00e7a dengesizse (\u00f6rne\u011fin t\u00fcm oyuncular\u0131n %90’\u0131 se\u00e7ilmemi\u015f ve %10’u se\u00e7ilmi\u015fse), o zaman F1 puan\u0131 modelin performans\u0131n\u0131n daha iyi bir \u015fekilde de\u011ferlendirilmesini sa\u011flayacakt\u0131r.<\/span><\/p>\n Do\u011fruluk ve F1 puan\u0131 aras\u0131ndaki farklar hakk\u0131nda daha fazla bilgiyi burada<\/a> bulabilirsiniz.<\/span><\/p>\n A\u015fa\u011f\u0131daki e\u011fitimler, makine \u00f6\u011frenimi s\u0131n\u0131fland\u0131rma modellerinde kullan\u0131lan \u00f6l\u00e7\u00fcmler hakk\u0131nda ek bilgi sa\u011flar:<\/span><\/p>\n Dengeli do\u011fruluk nedir?<\/a> Makine \u00f6\u011freniminde s\u0131n\u0131fland\u0131rma modellerini kullan\u0131rken, bir modelin kalitesini de\u011ferlendirmek i\u00e7in s\u0131kl\u0131kla kulland\u0131\u011f\u0131m\u0131z bir \u00f6l\u00e7\u00fcm do\u011fruluktur . Hassasiyet, model taraf\u0131ndan do\u011fru \u015fekilde s\u0131n\u0131fland\u0131r\u0131lan t\u00fcm g\u00f6zlemlerin y\u00fczdesidir. A\u015fa\u011f\u0131daki \u015fekilde hesaplan\u0131r: Do\u011fruluk = (# ger\u00e7ek pozitif + # ger\u00e7ek negatif) \/ (toplam \u00f6rnek boyutu) \u00d6\u011frencilerin do\u011frulukla ilgili s\u0131kl\u0131kla sorduklar\u0131 bir soru \u015fudur: Bir makine \u00f6\u011frenimi modelinin do\u011frulu\u011fu i\u00e7in […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-3162","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n \u00d6rnek: Bir modelin “iyi” do\u011frulu\u011fa sahip olup olmad\u0131\u011f\u0131n\u0131n belirlenmesi<\/strong><\/span><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n\n
\n
Model Performans\u0131n\u0131 De\u011ferlendirmek \u0130\u00e7in Do\u011frulu\u011fu Kullanmaya \u0130li\u015fkin \u00d6nlemler<\/strong><\/span><\/h2>\n
Ek kaynaklar<\/strong><\/span><\/h3>\n
‘\u0130yi’ F1 puan\u0131 nedir?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"