2. ROC Eğrisi(Receiver Operating Characteristic )

Bir ROC eğrisi, tüm sınıflandırma eşiklerinde (Classification Threshold) bir sınıflandırma metodunun performansını göstermek için kullanılan bir grafiktir. Bu eğri gerçek pozitif oran ve yanlış pozitif oran parametrelerini çizmektedir.

ROC eğrisi, özellikle dengesiz veri setlerine sahip olduğumuz durumlarda, makine öğrenmesi algoritmalarının performansını değerlendirmek için en sık kullanılan metriklerden biridir.
Bir ROC eğrisi, tüm sınıflandırma eşiklerinde (Classification Threshold) bir sınıflandırma metodunun performansını göstermek için kullanılan bir grafiktir. Bu eğri gerçek pozitif oran ve yanlış pozitif oran parametrelerini çizmektedir.


Gerçek pozitif oran (TPR), gerçek pozitiflerin sayısının, gerçek pozitif ve yanlış negatif değerlerinin toplamına bölünerek hesaplanır. Sonuç pozitif olduğunda, modelin pozitif sınıfı tahmin etmede ne kadar iyi olduğu açıklanır. Gerçek pozitif oranı sensitivity olarak da bilinir ve aşağıdaki gibi hesaplanır:

Gerçek Pozitif Oranı (TPR) = Doğru Pozitifler / (Doğru Pozitifler + Yanlış Negatifler)
Sensitivity (Duyarlılık) = Doğru Pozitifler / (Doğru Pozitifler + Yanlış Negatifler)

Yanlış pozitif oran (FPR), yanlış pozitiflerin sayısının, yanlış pozitif ve doğru negatif değerlerinin toplamına bölünmesiyle hesaplanır. Ayrıca, sonuç negatif olduğunda, pozitif bir sınıfın ne sıklıkla tahmin edildiğini özetlediğinden yanlış alarm oranı (False alarm rate) olarak da adlandırılır. Aşağıdaki gibi hesaplanır:


Yanlış Pozitif Oran (FPR) = Yanlış Pozitifler / (Yanlış Pozitifler + Doğru Negatifler)


Yanlış pozitif oran tersine çevrilmiş özgüllük (Specificity) olarak da adlandırılır. Özgüllük, doğru negatiflerin sayısının doğru negatif ve yanlış pozitiflerin toplamına bölünmesi ile hesaplanır.


Özgüllük = Gerçek Negatifler / (Gerçek Negatifler + Yanlış Pozitifler)


Yanlış Pozitif Oran = 1 – Özgüllük

ROC eğrisi kullanarak, farklı modellerin eğrileri genel olarak ya da farklı eşikler ile doğrudan karşılaştırılmaktadır. Eğrinin altındaki alan (AUC), model becerisinin bir özeti olarak kullanılmaktadır.

Bir ROC eğrisi farklı sınıflandırma eşiklerinde TPR ve FPR değerlerini çizer. Sınıflandırma eşiğini düşürmek, daha fazla veriyi pozitif olarak sınıflandırır. Böylece hem yanlış pozitifleri hem de doğru pozitifleri arttır. Aşağıdaki şekilde tipik bir ROC eğrisi gösterilmektedir:



Bir ROC eğrisindeki noktaları hesaplamak için, farklı sınıflandırma eşikleri olan bir Lojistik Regresyon modelini birçok kez değerlendirebiliriz ancak sonuçlar verimsiz olacaktır. Neyse ki bu bilgileri bize sağlayabilecek olan etkili, sıralama tabanlı AUC adı verilen bir algoritma kullanılmaktadır.


(0,0) noktası, hiçbir zaman pozitif bir sınıflandırmanın verilmeyeceğini,
(1,1) noktası, mutlak pozitif sınıflandırmanın elde edileceğini,
(0,1) noktası, mükemmel sınıflandırmayı göstermektedir.

ROC eğrisinde, grafiğin y ekseninde daha büyük değerlerin olması daha yüksek doğru pozitif değerleri ve daha düşük yanlış negatif değerleri gösterir. Grafiğin x ekseninde daha küçük değerlerin olması ise, daha düşük yanlış pozitif değerleri ve daha yüksek gerçek negatif değerleri gösterir.
Doğru pozitif oranının yüksek, yanlış pozitif oranının düşük olması ya da her ikisinin sağlandığı durumlarda kullanılan sınıflandırma metodunun diğer sınıflandırma metodlarından daha iyi performans gösterdiği söylenebilir. Yani oluşturulan grafikte, ROC eğrilerinin sol üst köşeye eğilmiş olması tercih edilir.

**Takım arkadaşım Burcu Sevinç’e yardımları için teşekkür ederim.

E-bültene Abone Ol Merak etmeyin. Spam yapmayacağız.

Yazar

Bilgisayar Mühendisliğinden eylülde mezun oluyorum. Yapay zeka konusunda yeniyim fakat bilgimi geliştirmek için çeşitli eğitimler alıp bu alanda güzel işler başarmak istiyorum. Bir bütünün parçası olarak hareket etmeyi seviyorum ve attığım adımları bu doğrultuda atıyorum.

seymaktas.6798@gmail.com

İlgili Yazılar

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Hızlı yorum için giriş yapın.

Başka Yazı Yok

Kayıt Ol

VEYA

Zaten üye misiniz? Giriş Yap

Giriş Yap

VEYA

Henüz üyeliğiniz yok mu? Kayıt Ol

close

Abone ol!