İçeriğe geç
parazade
Yapay Zeka

Özgüllük Ne Demek?

İngilizce: Specificity

Yayın: · Son güncelleme:

Özgüllük Ne Demek? Kısaca

Özgüllük (specificity), bir sınıflandırma modelinin ya da testin gerçekte negatif olan örnekleri doğru biçimde negatif olarak tanıma oranıdır. TN / (TN + FP) formülüyle hesaplanır ve doğru negatif oranı olarak da bilinir.

Özgüllük nedir?
İçindekiler
  1. Özgüllük ne demek?
  2. Duyarlılıkla farkı nedir?
  3. Örnek
  4. Nelere dikkat etmeli?

Özgüllük, bir modelin "yok" demesi gereken durumlarda gerçekten "yok" deme becerisini ölçer. Tıpta tanı testlerinin değerlendirilmesinde yaygın kullanılır; makine öğrenmesinde de duyarlılığın tamamlayıcısı olarak raporlanır.

Özgüllük ne demek?

Özgüllük, gerçek negatiflerin ne kadarının doğru tanındığını gösterir:

Özgüllük = Doğru Negatif / (Doğru Negatif + Yanlış Pozitif)

Değer 0 ile 1 arasındadır. Özgüllük yüksekse model yanlış alarm vermeye pek yatkın değildir. Yanlış pozitif oranı (FPR) ise 1 − özgüllük olarak bulunur; bu yüzden ROC eğrisi aslında duyarlılığı 1 − özgüllüğe karşı çizer.

Duyarlılıkla farkı nedir?

Ölçüt Neyi ölçer? Formül
Duyarlılık Gerçek pozitifleri yakalama TP / (TP + FN)
Özgüllük Gerçek negatifleri doğru tanıma TN / (TN + FP)

İkisi genellikle ters yönde hareket eder. Karar eşiği düşürülürse duyarlılık artar, özgüllük azalır.

Örnek

Varsayımsal bir tarama testi, hastalığı olmayan 1.000 kişiye uygulanıyor. Test bunların 950'sine negatif, 50'sine yanlışlıkla pozitif sonuç veriyor. Özgüllük = 950 / 1.000 = 0,95 olur.

Nelere dikkat etmeli?

Yüksek özgüllük tek başına yeterli değildir: Her örneğe "negatif" diyen bir model özgüllükte kusursuz görünür ama hiçbir pozitifi yakalayamaz. Bu yüzden özgüllük her zaman duyarlılıkla birlikte değerlendirilmelidir. Yanlış alarmın pahalı olduğu durumlarda (ör. doğrulama testleri) özgüllük öne çıkar.

Sıkça Sorulan Sorular

Özgüllük ile kesinlik aynı şey mi?

Hayır. Özgüllük gerçek negatiflerin ne kadarının doğru tanındığını ölçer; kesinlik ise pozitif tahminlerin ne kadarının gerçekten pozitif olduğunu ölçer.

Özgüllüğün yüksek olması neden önemlidir?

Yüksek özgüllük, sistemin gereksiz alarm üretmediğini gösterir. Bu, yanlış pozitifin pahalı olduğu ya da kullanıcıyı gereksiz yere endişelendirdiği alanlarda özellikle değerlidir.

İlgili terimler

Duyarlılık(Recall)Makine öğrenmesinde duyarlılık (recall), gerçekte pozitif olan örneklerin ne kadarının model tarafından doğru şekilde pozitif olarak yakalandığını gösteren orandır; doğru pozitifin, doğru pozitif ile yanlış negatif toplamına bölünmesiyle bulunur.Yanlış Pozitif(False Positive)Yanlış pozitif (false positive, FP), bir modelin gerçekte negatif olan bir örneği hatalı biçimde pozitif olarak tahmin etmesidir. Günlük dilde 'yanlış alarm' olarak bilinir; istatistikte birinci tür hataya karşılık gelir.ROC Eğrisi(ROC Curve)ROC eğrisi, bir ikili sınıflandırma modelinin farklı karar eşiklerinde doğru pozitif oranını (duyarlılık) yanlış pozitif oranına karşı gösteren grafiktir. Eğri sol üst köşeye ne kadar yakınsa model sınıfları o kadar iyi ayırır.Karışıklık Matrisi(Confusion Matrix)Karışıklık matrisi (confusion matrix), bir sınıflandırma modelinin tahminlerini gerçek etiketlerle karşılaştıran tablodur. Doğru pozitif, yanlış pozitif, doğru negatif ve yanlış negatif sayılarını gösterir; kesinlik, duyarlılık gibi metrikler buradan hesaplanır.Harf Çevirisi(Transliteration)Harf çevirisi (transliterasyon), bir yazı sistemindeki metnin, anlamı çevrilmeden başka bir yazı sisteminin harfleriyle yazılmasıdır. Örneğin Kiril alfabesiyle yazılmış bir ismin Latin harflerine aktarılması harf çevirisidir.Dil Tespiti(Language Detection)Dil tespiti (language detection), bir metnin ya da ses kaydının hangi dilde olduğunu otomatik olarak belirleyen doğal dil işleme görevidir. Çeviri, arama motorları ve içerik moderasyonu gibi pek çok sistemin ilk adımıdır.