model complexity graph, validation set and grid-search Birçok yazıda makine öğrenmesi modellerini eğitirken elde edilmek istenen sonucun en iyi genelleme yapan model olduğundan söz etmiştik. Bu yazıda mevcut olasılıklar arasından en iyi genelleme yapan modelin nasıl seçileceğinden bahsedeceğiz. Bir sonraki…
Makine Öğrenmesi sınıflandırma ve regresyon problemlerine yönelik modellerde iki temel hata çeşidinden söz edilebilinir: Overfitting (Aşırı Öğrenme ya da Ezberleme) ve Underfitting (Eksik Öğrenme). Bu kavramları öğrenmeden önce makine öğrenmesi modellerini eğitirken amacın en iyi genelleme (generalization) yapan modele erişmek…
Bir önceki yazımızda regresyon modellerinin performansını değerlendirmek üzere dört farklı yönteme değinmiştik: Ortalama Mutlak Hata (Mean Absolute Error – MAE) Ortalama Karesel Hata (Mean Squared Error – MSE) Kök Ortalama Karesel Hata (Root Mean Squared Error – RMSE) R Kare…
Regresyon (regression) problemleri daha önce de değindiğimiz gibi sınıflandırma (classification) problemlerinden farklılık gösterir. Sınıflandırma problemlerinde sınırlı sayıda durum ya da sınıf içerisinden doğru olanı tahmin etmeye çalışırken regresyon problemlerinde sürekli olarak ifade ettiğimiz değerler içerisinden doğru değeri tahmin etmeye çalışırız.…
Geçtiğimiz yazıda Sınıflandırma Modelleri İçin Performans Değerlendirme adlı yazıda öğrendiğimiz Doğruluk (Accuracy), Duyarlılık (Recall), Kesinlik (Precision), F-skor ve Matthews Correlation Coefficient (MCC) metriklerinin sklearn kütüphanesinin sağladığı iris veri seti için uygulamalarını yaptık. Bu yazıda ise ROC Curve ve AuC adlı…
Önceki iki yazımızda Sınıflandırma (Classification) modellerine ilişkin performans değerlendirme metriklerinin neler olduğunu ve nasıl hesaplandığını öğrendik. Bu yazımızda ise Jupyter Notebook üzerinde yapacağımız python uygulamaları ile bu bilgilerimizi pratiğe çevireceğiz. Pratik uygulamamız için sklearn kütüphanesinin sağladığı iris veri setini kullanacağız.…
Sınıflandırma modellerinin performanslarını değerlendirmek için kullanılan metrikleri aşağıdaki şekilde sıralayabiliriz: Doğruluk (Accuracy) Duyarlılık (Recall) Kesinlik (Precision) F-skor Matthews Correlation Coefficient (MCC) ROC (Receiver Operator Characteristics) Curve ve AuC (Area under Curve) Bu yazıda Doğruluk, Duyarlılık, Kesinlik ve F-Skor ve MCC…
Makine Öğrenmesi uygulamalarında farklı kaynaklarda farklı isimlerle anılsa da takip edilen bir sıralama vardır. Elbette probleme yönelik olarak adımlar iç içe geçebilir ancak temel olarak aşağıdaki şekilde sıralanabilir: Problemi Tanımlama (Problem Definiton) Probleme ilişkin veri toplama (Data Collection) Keşifsel Veri…
Geçtiğimiz yazıda Scikit-Learn kütüphanesini kullanarak elimizdeki veri seti ile farklı modeller için eğitim (training) gerçekleştirdik. Ancak bu modelleri kullanabilmek için modellere tahmin (prediction) yaptırabilmemiz gerekiyor. Modellerin ne kadar iyi çalıştığını anlamak için ise kullandığımız yönteme ve veri setine uygun ölçme…
