Seçilen XGBoost modelinin performansı, çoğunluk sınıfına (0) eğilim gösterip göstermediğini ve azınlık sınıfını (1) ne kadar doğru tahmin edebildiğini değerlendirmek için karmaşıklık matrisi ile analiz edilmiştir. Sonuçlara göre model, toplam 527 adet “hastalıkla ilişkili (1)” gen setinin 462’sini doğru sınıflandırmıştır. False Negative sayısı 65 ile sınırlı kalırken, False Positive sayısı yalnızca 6 olarak gözlemlenmiştir. Modelde kullanılan scale_pos_weight parametresi, azınlık sınıfının kaçırılmasını azaltmada etkili olmuştur. Bu sonuçlar, modelin biyolojik analizdeki temel hedefimiz olan hastalıkla ilişkili gen setlerini tespit etmede yüksek sensitivity'e ulaştığını sayısal olarak gösterir.

The performance of the selected XGBoost model was analyzed with the complexity matrix to evaluate whether it biased towards the majority class (0) and how accurately it could predict the minority class (1). According to the results, the model correctly classified 462 of a total of 527 "disease-related (1)" gene sets. While the number of False Negatives was limited to 65, the number of False Positives was observed to be only 6. The scale_pos_weight parameter used in the model was effective in reducing the abduction of the minority class. These results numerically demonstrate that the model achieves high sensitivity in detecting disease-associated gene sets, which is our main goal in biological analysis.