Model Değerlendirme Metrikleri: Precision, Recall, F1, IoU, mAP - Teknik Terim Sözlüğü

Model Değerlendirme Metrikleri

"Model %95 doğru" cümlesi, neyin nasıl ölçüldüğü söylenmediği sürece pek bir şey ifade etmez. Tespit ve segmentasyon modellerinde kullanılan temel metrikler:

Precision ve Recall

Precision (kesinlik): Model "var" dediğinde ne sıklıkla haklı? Düşükse yanlış alarm çok.
Recall (duyarlılık): Gerçekte var olanların ne kadarını buluyor? Düşükse kaçırıyor.

İkisi arasında genelde takas vardır: eşik düşürülünce recall artar, precision düşer.

F1 Skoru

Precision ve recall'un harmonik ortalaması. İkisinden biri çok düşükse F1 de düşük çıkar; tek sayıyla özet için kullanılır.

IoU (Intersection over Union)

Tahmin edilen alan ile gerçek alanın kesişiminin birleşimine oranı. Bir tahminin "doğru" sayılması için genelde IoU ≥ 0,5 şartı aranır.

mAP (mean Average Precision)

Farklı eşiklerdeki precision-recall eğrisinin altındaki alanın sınıflar üzerinden ortalaması. mAP50, IoU ≥ 0,5 eşiğinde hesaplanır; mAP50-95 daha katıdır.

Sayısal Tahminde: RMSE ve R²

Regresyon modellerinde (ör. spektrumdan süt yağı tahmini) hata RMSE ile, açıklanan varyans R² ile ölçülür.

Asıl Önemli Olan: Test Seti

Test verisi eğitimden bağımsız olmalı. Görüntüde aynı alanın parçaları hem eğitime hem teste düşerse skor şişer. Bu yüzden testi zamana ya da coğrafi bloklara göre ayırırız. Bkz. Overfitting.