[{"data":1,"prerenderedAt":133},["ShallowReactive",2],{"glossary-tr-model-degerlendirme-metrikleri":3},{"id":4,"title":5,"body":6,"description":117,"extension":118,"meta":119,"navigation":128,"path":129,"seo":130,"stem":131,"__hash__":132},"sozluk\u002Fsozluk\u002Fmodel-degerlendirme-metrikleri.md","Model Değerlendirme Metrikleri: Precision, Recall, F1, IoU, mAP",{"type":7,"value":8,"toc":104},"minimark",[9,14,18,23,40,43,47,50,54,57,61,72,76,87,91],[10,11,13],"h2",{"id":12},"model-değerlendirme-metrikleri","Model Değerlendirme Metrikleri",[15,16,17],"p",{},"\"Model %95 doğru\" cümlesi, neyin nasıl ölçüldüğü söylenmediği sürece pek bir şey ifade etmez. Tespit ve segmentasyon modellerinde kullanılan temel metrikler:",[19,20,22],"h3",{"id":21},"precision-ve-recall","Precision ve Recall",[24,25,26,34],"ul",{},[27,28,29,33],"li",{},[30,31,32],"strong",{},"Precision (kesinlik)",": Model \"var\" dediğinde ne sıklıkla haklı? Düşükse yanlış alarm çok.",[27,35,36,39],{},[30,37,38],{},"Recall (duyarlılık)",": Gerçekte var olanların ne kadarını buluyor? Düşükse kaçırıyor.",[15,41,42],{},"İkisi arasında genelde takas vardır: eşik düşürülünce recall artar, precision düşer.",[19,44,46],{"id":45},"f1-skoru","F1 Skoru",[15,48,49],{},"Precision ve recall'un harmonik ortalaması. İkisinden biri çok düşükse F1 de düşük çıkar; tek sayıyla özet için kullanılır.",[19,51,53],{"id":52},"iou-intersection-over-union","IoU (Intersection over Union)",[15,55,56],{},"Tahmin edilen alan ile gerçek alanın kesişiminin birleşimine oranı. Bir tahminin \"doğru\" sayılması için genelde IoU ≥ 0,5 şartı aranır.",[19,58,60],{"id":59},"map-mean-average-precision","mAP (mean Average Precision)",[15,62,63,64,67,68,71],{},"Farklı eşiklerdeki precision-recall eğrisinin altındaki alanın sınıflar üzerinden ortalaması. ",[30,65,66],{},"mAP50",", IoU ≥ 0,5 eşiğinde hesaplanır; ",[30,69,70],{},"mAP50-95"," daha katıdır.",[19,73,75],{"id":74},"sayısal-tahminde-rmse-ve-r","Sayısal Tahminde: RMSE ve R²",[15,77,78,79,82,83,86],{},"Regresyon modellerinde (ör. spektrumdan süt yağı tahmini) hata ",[30,80,81],{},"RMSE"," ile, açıklanan varyans ",[30,84,85],{},"R²"," ile ölçülür.",[19,88,90],{"id":89},"asıl-önemli-olan-test-seti","Asıl Önemli Olan: Test Seti",[15,92,93,94,97,98,103],{},"Test verisi eğitimden ",[30,95,96],{},"bağımsız"," olmalı. Görüntüde aynı alanın parçaları hem eğitime hem teste düşerse skor şişer. Bu yüzden testi zamana ya da coğrafi bloklara göre ayırırız. Bkz. ",[99,100,102],"a",{"href":101},"\u002Fsozluk\u002Foverfitting","Overfitting",".",{"title":105,"searchDepth":106,"depth":106,"links":107},"",2,[108],{"id":12,"depth":106,"text":13,"children":109},[110,112,113,114,115,116],{"id":21,"depth":111,"text":22},3,{"id":45,"depth":111,"text":46},{"id":52,"depth":111,"text":53},{"id":59,"depth":111,"text":60},{"id":74,"depth":111,"text":75},{"id":89,"depth":111,"text":90},"Bir yapay zeka modelinin ne kadar iyi olduğunu söyleyen sayılar ve doğru test setini kurmanın önemi.","md",{"tags":120,"translation":127},[121,122,123,124,125,126],"Makine Öğrenmesi","Model Değerlendirme","Precision","Recall","mAP","Industrial AI","model-evaluation-metrics",true,"\u002Fsozluk\u002Fmodel-degerlendirme-metrikleri",{"title":5,"description":117},"sozluk\u002Fmodel-degerlendirme-metrikleri","qMpzTik1OSrzNM4MpNG8fm3kj0jwbE9xCgqFzLdShZc",1793268821580]