Merhaba Dinlerakademi takipçileri, bugün True positive ve false positive nedir konusunu en anlaşılır haliyle ele alıyoruz.
Kaynakların sınırlı, ihtiyaçların ise neredeyse sonsuz olduğu bir dünyada doğru karar vermek her zaman kolay değildir. Bir işletme hangi müşterinin kredi borcunu ödeyemeyeceğini tahmin etmeye çalışırken bir banka riskli yatırımları belirlemek ister. Kamu kurumları ise sosyal yardıma gerçekten ihtiyaç duyan insanları tespit etmeye çalışır. Peki, kullanılan tahmin sistemi yanıldığında ne olur? Yanlış bir karar yalnızca rakamlarda mı kalır, yoksa insanların hayatlarını ve toplumun refahını da etkiler mi?
True positive ve false positive, tam da bu noktada önem kazanan iki kavramdır. Veri analizi, yapay zekâ, istatistik ve ekonomik karar mekanizmalarında kullanılan bu terimler, bir tahminin gerçek durumla ne ölçüde örtüştüğünü anlamamızı sağlar. Ekonomik açıdan bakıldığında ise mesele yalnızca doğru tahmin yapmak değil, yanlış kararların maliyetini de hesaplamaktır.
True positive ve false positive, bir sınıflandırma sisteminin verdiği pozitif kararın doğru veya yanlış olmasını ifade eder. Bir sistemin belirli bir durumu tespit ettiğini düşünelim.
True positive, sistemin bir olayın gerçekleştiğini tahmin etmesi ve gerçekte de bu olayın gerçekleşmiş olmasıdır.
Örneğin bir banka, kredi başvurusunda bulunan bir müşterinin borcunu ödeyememe riskinin yüksek olduğunu belirlesin. Müşteri gerçekten de borcunu ödeyemiyorsa bu tahmin doğru pozitiftir.
Ekonomik açıdan doğru pozitif sonuç, kaynakların daha bilinçli kullanılmasına yardımcı olabilir. Banka olası kredi kaybını azaltabilir, işletme riskli bir yatırımı önceden fark edebilir ve kamu kurumu ekonomik bir sorunu erken aşamada tespit edebilir.
False positive, sistemin bir olayın gerçekleştiğini tahmin etmesine rağmen gerçekte olayın gerçekleşmemesidir.
Aynı örnekte banka, borcunu düzenli ödeyecek bir müşteriyi yüksek riskli olarak sınıflandırırsa yanlış pozitif sonuç ortaya çıkar. Banka kredi vermeyi reddedebilir ve güvenilir bir müşteriyi kaybedebilir.
Bu durumun ekonomik bedeli yalnızca bankanın kaçırdığı faiz geliri değildir. Müşteri ihtiyaç duyduğu finansmana ulaşamayabilir, bir işletme yatırım fırsatını kaybedebilir ve ekonomik faaliyetler yavaşlayabilir.
İki kavram arasındaki temel fark, pozitif tahminin gerçeği yansıtıp yansıtmamasıdır.
Kavram Sistemin tahmini Gerçek durum
True Positive Pozitif Pozitif
False Positive Pozitif Negatif
True Negative Negatif Negatif
False Negative Negatif Pozitif
Buradaki pozitif ve negatif ifadeleri, iyi veya kötü anlamına gelmez. Bunlar yalnızca sistemin belirli bir durumu tespit edip etmediğini gösterir.
Örneğin bir dolandırıcılık tespit sisteminde true positive, gerçekten dolandırıcılık içeren bir işlemin belirlenmesidir. False positive ise tamamen meşru bir işlemin şüpheli olarak işaretlenmesidir.
Bu ayrım, doğruluk oranı, precision, recall ve hata maliyeti gibi performans ölçütlerinin anlaşılması için temel oluşturur.
Mikroekonomi, bireylerin ve işletmelerin sınırlı kaynaklarla nasıl karar verdiğini inceler. True positive ve false positive sonuçları, bu kararların verimliliğini doğrudan etkileyebilir.
Bir işletmenin yapay zekâ destekli sistemi, ödeme yapmama ihtimali yüksek müşterileri belirlesin. Sistem doğru riskli müşterileri tespit ettiğinde işletme olası kayıplarını azaltabilir. Ancak güvenilir müşterileri de riskli olarak işaretliyorsa satışlar düşebilir.
Burada , yanlış sınıflandırma nedeniyle vazgeçilen en iyi alternatifin değeridir. Kredi alamayan müşterinin gerçekleştiremediği yatırım veya satış yapamayan işletmenin kaybettiği gelir bu maliyete örnek gösterilebilir.
Karar vericinin kendisine sorması gereken soru şudur: Yanlış bir müşteriyi kabul etmenin maliyeti mi, yoksa doğru müşteriyi reddetmenin maliyeti mi daha yüksek?
Bu sorunun yanıtı sektöre, piyasa koşullarına ve işletmenin risk toleransına göre değişir.
Makroekonomik düzeyde yanlış pozitif sonuçlar, tek tek kararların ötesine geçerek toplumsal etkiler oluşturabilir.
Örneğin bankaların kullandığı risk modelleri ekonomik durgunluk dönemlerinde belirli sektörleri veya müşteri gruplarını gereğinden fazla riskli sınıflandırırsa krediye erişim zorlaşabilir. Yatırımlar azalabilir, istihdam üzerinde baskı oluşabilir ve ekonomik toparlanma yavaşlayabilir.
Kamu politikalarında da benzer bir sorun vardır. Sosyal yardım sisteminin gerçekten ihtiyaç sahibi olmayan kişileri yanlışlıkla uygun kabul etmesi bütçe kaynaklarının verimsiz kullanılmasına neden olabilir. Buna karşılık hak sahibi vatandaşların yanlışlıkla kapsam dışında bırakılması yoksulluğu derinleştirebilir.
Dolayısıyla kamu yönetiminde yalnızca bütçe tasarrufuna odaklanmak yeterli değildir.
, yani hataların farklı toplumsal gruplar üzerinde eşit olmayan etkileri de dikkate alınmalıdır.
Ekonomik kararlar her zaman kusursuz bilgiye ve rasyonel değerlendirmeye dayanmaz. İnsanlar bazen geçmiş deneyimlerinden, korkularından ve önyargılarından etkilenir.
Bir banka yöneticisi daha önce karşılaştığı birkaç dolandırıcılık vakası nedeniyle belirli müşteri profillerini gereğinden fazla riskli görebilir. Benzer şekilde yatırımcılar, geçmişte başarısız olan bir sektörün gelecekte de başarısız olacağını varsayabilir.
Bu tür değerlendirmeler, yanlış pozitif sonuçların artmasına katkıda bulunabilir.
Davranışsal ekonomi açısından önemli olan, teknolojinin insan önyargılarını her zaman ortadan kaldırmadığını fark etmektir. Eğitim verileri geçmişteki ayrımcılıkları veya piyasa dengesizliklerini içeriyorsa yapay zekâ sistemleri bunları yeniden üretebilir.
Bir sınıflandırma sisteminin başarısını değerlendirirken yalnızca doğru tahminlerin sayısına bakmak yeterli değildir.
Precision (kesinlik), pozitif olarak sınıflandırılan sonuçların ne kadarının gerçekten pozitif olduğunu gösterir.
Precision=TPTP+FPPrecision=\frac{TP}{TP+FP}Precision=TP+FPTP
Burada TP, true positive; FP ise false positive sayısıdır.
Recall (duyarlılık) ise gerçekte pozitif olan olayların ne kadarının sistem tarafından tespit edildiğini ifade eder.
Recall=TPTP+FNRecall=\frac{TP}{TP+FN}Recall=TP+FNTP
FN, false negative yani yanlış negatif sayısıdır.
Örneğin bir banka sistemi 100 işlemi dolandırıcılık şüphesiyle işaretlesin ve bunların 80’i gerçekten dolandırıcılık olsun. Bu durumda precision yüzde 80’dir. Geriye kalan 20 işlem yanlış pozitif olarak değerlendirilir.
Bu örnekte precision yüksek olsa bile sistemin bütün dolandırıcılık işlemlerini yakalayıp yakalamadığını anlamak için recall değerine de ihtiyaç vardır.
Bir sınıflandırma sisteminin başarısı yalnızca istatistiksel performansıyla ölçülmemelidir. Hataların ekonomik maliyetleri de değerlendirilmelidir.
Uygulama alanı True positive faydası False positive maliyeti
Bankacılık Gerçek kredi riskini tespit etmek Güvenilir müşteriyi reddetmek
E-ticaret Gerçek dolandırıcılığı belirlemek Meşru siparişi engellemek
İşe alım Uygun adayı belirlemek Uygun adayı elemek
Sosyal yardımlar Hak sahibini doğru tespit etmek Hak sahibi olmayan kişiye ödeme yapmak
Yatırım analizi Gerçek fırsatı belirlemek Kazanç sağlayabilecek yatırımı riskli görmek
Bu örnekler, hata maliyetlerinin her alanda farklılaştığını gösterir. Bazı durumlarda yanlış pozitifleri azaltmak öncelikliyken başka durumlarda gerçek riskleri kaçırmamak daha önemli olabilir.
Yapay zekâ ve büyük veri teknolojileri geliştikçe kredi değerlendirmesinden sigortacılığa, kamu hizmetlerinden yatırım analizine kadar pek çok alanda otomatik sınıflandırma sistemleri kullanılmaya devam edecek.
Ancak daha fazla veri, her zaman daha doğru karar anlamına gelmez. Verilerin güncelliği, modelin tasarımı, ekonomik koşullardaki değişimler ve toplumsal eşitsizlikler sonuçları etkileyebilir.
Gelecekte bir algoritmanın yanlış pozitif kararları nedeniyle kaç kişinin krediye erişemediğini veya kaç küçük işletmenin yatırım fırsatını kaybettiğini ölçebilecek miyiz? Ekonomik verimlilik adına geliştirilen sistemler, toplumsal adaleti de koruyabilecek mi?
Bana göre asıl mesele, hatasız bir sistem aramaktan çok hataların kimlere ve ne ölçüde maliyet yüklediğini anlamaktır. Çünkü ekonomik kararların arkasında yalnızca tablolar ve olasılıklar değil, geçimini sağlamaya çalışan insanlar, yatırım yapmayı bekleyen işletmeler ve sınırlı bütçelerle hizmet sunmaya çalışan kamu kurumları bulunur.
True positive ve false positive, tahmin sistemlerinin ekonomik sonuçlarını anlamak için temel kavramlardır. True positive doğru tespiti ifade ederken false positive, gerçekte bulunmayan bir durumun varmış gibi sınıflandırılmasıdır.
Mikroekonomide fırsat maliyeti ve işletme kararları, makroekonomide kredi akışı ve kamu politikaları, davranışsal ekonomide ise önyargılar ve insan algısı bu kavramlarla yakından ilişkilidir.
Başarılı bir ekonomik karar sistemi, yalnızca doğru tahminlerin sayısını artırmayı değil, yanlış kararların maliyetini de azaltmayı hedeflemelidir. Çünkü kaynakların kıt olduğu bir dünyada her yanlış karar, başka bir ihtiyacın karşılanamaması anlamına gelebilir.