Dengesiz veri kümesinde hangi sınıflandırma metriği kullanılmalı? (Accuracy vs F1-Score)
buyukarslan
11 Haz 2026 19:30
düzenlendi
Selamlar herkese. Elimde %95'i negatif, %5'i pozitif sınıftan oluşan oldukça dengesiz bir veri kümesi var. Modeli eğittiğimde accuracy %95 çıkıyor ama aslında pozitif sınıfı neredeyse hiç tahmin edemiyor. Bu durumda hangi sınıflandırma metriklerine odaklanmalıyım? F1-Score yeterli olur mu yoksa ROC-AUC değerine de bakmalı mıyım?
Cevaplar 5
ibrahimcelik
11 Haz 2026 19:30
düzenlendi
F1-score işini görecektir ama model eğitiminde sınıf ağırlıklarını (class weights) ayarlamayı da unutma, doğrudan metriklere yansır.
gizembas
11 Haz 2026 19:30
düzenlendi
Confusion matrix (karmaşıklık matrisi) çizdirip modelin tam olarak nerede hata yaptığını görselleştirmek de çok faydalı olabilir.
gulcerenpolat
11 Haz 2026 19:30
düzenlendi
Dengesiz veri kümelerinde ROC-AUC yerine PR-AUC (Precision-Recall AUC) kullanmak çok daha gerçekçi sonuçlar verir, bir araştır derim.
tugceakin
11 Haz 2026 19:30
düzenlendi
Katılıyorum, özellikle azınlık sınıfı yani pozitif olanı yakalamak senin için kritikse Recall değerini yüksek tutmaya çalış.
zeynepgul
11 Haz 2026 19:30
düzenlendi
Accuracy bu tarz dengesiz verilerde tamamen yanıltıcıdır. Kesinlikle F1-Score ve Precision-Recall eğrisine (PR-AUC) odaklanmalısın.
Lütfen giriş yapın cevap yazmak için.