[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-precision-and-recall::tr":3,"gloss-cluster-precision-and-recall::tr":26,"gloss-next-precision-and-recall::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"precision-and-recall","mlops","Kesinlik ve Duyarlılık","Kesinlik ve duyarlılık, bir sınıflandırıcının ya da erişim sisteminin kalitesinin iki yarısıdır ve farklı sorulara yanıt verirler. Kesinlik şunu sorar: sistemin işaretlediği öğelerin ne kadarı gerçekten doğruydu? Duyarlılık şunu sorar: işaretlenmesi gereken öğelerin ne kadarını sistem bulabildi? Kesinliği yüksek bir istenmeyen posta süzgeci iyi postayı nadiren çöpe atar ama istenmeyeni geçirebilir; duyarlılığı yüksek olanı neredeyse tüm istenmeyeni yakalar ama arada gerçek bir faturayı karantinaya alır. Doğruluk — tüm tahminlerin ne kadarının isabetli olduğu — bu ödünleşimi gizler ve bir sınıf seyrek olduğunda düpedüz yanıltıcı hale gelir; hiçbir şeyi işaretlemeyen bir model, yüzde birlik bir problemde hiçbir şey bulmadan yüzde 99 doğruluk gösterebilir. Ödünleşim genellikle sabit bir özellik değil, bir eşiktir. Sistemin harekete geçtiği puanı düşürmek duyarlılığı yükseltip kesinliği düşürür; yükseltmek tersini yapar. Hangi tarafın tercih edileceği bir modelleme değil ürün kararıdır: iş akışınızda yanlış pozitifin yanlış negatife göre neye mal olduğuna bağlıdır. Tek bir sayı gerektiğinde F1 puanı ikisini harmonik ortalama olarak birleştirir, ama yalnızca F1 bildirmek bir değişikliğin ödünleşimin hangi yanını oynattığını gizler. Erişimle beslenen sistemlerde aynı ikili erişim adımına da uygulanır; orada başlangıçta duyarlılık daha önemlidir — hiç getirilmemiş bir pasaj yeniden sıralanamaz — kesinlik ise sonradan yeniden sıralamayla geri kazanılır.","Kesinlik ve duyarlılık bir sınıflandırıcı hakkında farklı sorulara yanıt verir; bir sınıf seyrek olduğunda doğruluk bu ödünleşimi tümüyle gizler.",null,[11,14,17,20,23],{"slug":12,"name":13},"class-imbalance","Sınıf Dengesizliği",{"slug":15,"name":16},"eval-harness","Değerlendirme Koşumu (Eval Harness)",{"slug":18,"name":19},"golden-dataset","Altın Veri Kümesi",{"slug":21,"name":22},"reranking","Reranking (Yeniden Sıralama)",{"slug":24,"name":25},"retrieval-evaluation","Getirme Değerlendirmesi",[27,31,35,38,41,45,46,49,52,55,58,59],{"slug":28,"category":5,"name":29,"updated_at":30},"annotation-guidelines","Etiketleme Kılavuzu","2026-08-24T03:30:02+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"baseline-model","Temel Model (Baseline)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"batch-inference","Toplu Çıkarım",{"slug":39,"category":5,"name":40,"updated_at":34},"canary-prompt","Kanarya Prompt",{"slug":42,"category":5,"name":43,"updated_at":44},"champion-challenger","Şampiyon-Meydan Okuyan (A\u002FB Model Testi)","2026-08-24T02:46:37+00:00",{"slug":12,"category":5,"name":13,"updated_at":34},{"slug":47,"category":5,"name":48,"updated_at":34},"continuous-batching","Sürekli Toplu İşleme (Continuous Batching)",{"slug":50,"category":5,"name":51,"updated_at":34},"cross-validation","Çapraz Doğrulama",{"slug":53,"category":5,"name":54,"updated_at":34},"data-labeling","Veri Etiketleme",{"slug":56,"category":5,"name":57,"updated_at":44},"drift-detection","Sapma Tespiti (Drift Detection)",{"slug":15,"category":5,"name":16,"updated_at":44},{"slug":60,"category":5,"name":61,"updated_at":44},"experiment-tracking","Deney Takibi (Experiment Tracking)"]