Doğruluk (Accuracy)

Doğruluk (Accuracy) nedir?

Doğruluk, bir modelin yaptığı tahminlerin ne kadarının doğru olduğunu ölçen en temel başarı metriğidir. Formülü basit: doğru tahmin sayısını toplam tahmin sayısına bölersin. 100 tahminin 90'ı doğruysa doğruluk %90'dır.

Sınıflandırma (classification) modellerinde ilk bakılan sayı genelde budur çünkü anlaması kolaydır. "Model ne kadar iyi?" sorusuna tek bir yüzdeyle cevap verir.

Nasıl çalışır?

Doğruluk, confusion matrix üzerinden hesaplanır. Doğru pozitif ve doğru negatiflerin toplamı, tüm örneklere bölünür:

Doğruluk = (Doğru Pozitif + Doğru Negatif) / Toplam

Bir e-posta filtresini düşün: 1000 e-postadan 950'sini doğru sınıflandırdıysa (spam'i spam, normali normal), doğruluğu %95 olur. Model eğitimi sırasında ve test setinde ayrı ayrı ölçülür — ikisi arasındaki büyük fark overfitting sinyalidir.

Neden önemli?

Doğruluk sezgisel olduğu için iletişimi kolaydır, ama tek başına tehlikeli olabilir. En bilinen tuzak dengesiz veri (class imbalance): 100 hastadan 95'i sağlıklıysa, "herkese sağlıklı" diyen aptal bir model bile %95 doğruluk alır — ama tek hastayı bile yakalayamaz.

Bu yüzden ciddi projelerde doğruluk asla yalnız kullanılmaz; precision, recall ve F1 score ile birlikte okunur. Doğruluk resmin geneli, diğerleri detayıdır.

Kullanım alanları

Görüntü sınıflandırma, spam filtreleme, duygu analizi (sentiment analysis) gibi sınıfların dengeli olduğu görevlerde hızlı bir sağlık kontrolü olarak kullanılır. Benchmark tablolarında modelleri kabaca kıyaslamak için de en sık raporlanan metriktir. Ama dengesiz veride mutlaka precision/recall ile desteklenmesi gerekir.