Makine Öğrenmesine İlişkin Terimle

• 15 Mart 2024 Cuma 09:58:31

- Bağımlı Değişken (Çıktı): Bu, makine öğrenmesi modelinin veriye dayalı olarak ürettiği sonuçtur. Örneğin, bir modelin bir resimdeki nesneleri tanımlaması istenirse, bağımlı değişken resimdeki nesnelerin isimleridir. Bir modelin bir evin fiyatını tahmin etmesi istenirse, bağımlı değişken evin fiyatıdır. Bir modelin bir metni farklı kategorilere ayırması istenirse, bağımlı değişken metnin kategorisidir.
- Bağımsız Değişken: Bu, makine öğrenmesi modelinin bağımlı değişkeni üretmek için kullandığı girdilerdir. Örneğin, bir modelin bir resimdeki nesneleri tanımlaması istenirse, bağımsız değişken resmin kendisidir. Bir modelin bir evin fiyatını tahmin etmesi istenirse, bağımsız değişkenler evin özellikleri (alan, oda sayısı, konum, vb.) olabilir. Bir modelin bir metni farklı kategorilere ayırması istenirse, bağımsız değişken metnin kendisidir.
- Makine Öğrenmesi Algoritması: Bu, makine öğrenmesi modelinin nasıl çalıştığını belirleyen kurallar ve formüller bütünüdür. Farklı makine öğrenmesi algoritmaları, farklı amaçlar için farklı avantajlar ve dezavantajlar sunar. Örneğin, doğrusal regresyon, bağımlı ve bağımsız değişkenler arasındaki doğrusal ilişkiyi modellemek için kullanılan basit bir algoritmadır. Karar ağacı, veriyi dallara ve yapraklara ayırarak sınıflandırma veya regresyon yapmak için kullanılan bir algoritmadır. Sinir ağları, insan beyninin yapısını taklit ederek karmaşık veri yapılarını öğrenmek için kullanılan bir algoritmadır.
- Model: Bu, makine öğrenmesi algoritmasının veri üzerinde uygulanmasıyla oluşturulan bir yapıdır. Bir model, veriden öğrendiği bilgileri saklar ve yeni veriler için bağımlı değişkeni tahmin etmek için kullanılır. Bir modelin kalitesi, veriyi ne kadar iyi temsil ettiği ve genelleştirme yeteneği ile ölçülür. Bir model, bir program veya kod aracılığıyla oluşturulabilir veya hazır kütüphaneler kullanılarak çağrılabilir.
- Eğitim Verisi (Training Data): Bu, makine öğrenmesi modelinin oluşturulması için kullanılan veri setidir. Eğitim verisi, bağımlı ve bağımsız değişkenlerden oluşur. Model, eğitim verisini algoritmasına göre işler ve bağımlı değişkeni tahmin etmeye çalışır. Model, tahminlerinin gerçek değerlerle ne kadar uyumlu olduğunu ölçen bir hata fonksiyonu kullanarak kendini iyileştirir. Model, eğitim verisini tamamen öğrenene kadar bu süreci tekrarlar.
- Doğrulama Verisi (Validation Data): Bu, makine öğrenmesi modelinin performansının değerlendirilmesi için kullanılan veri setidir. Doğrulama verisi, eğitim verisinden farklı olmalıdır. Model, doğrulama verisini kullanarak bağımlı değişkeni tahmin eder ve tahminlerinin doğruluğunu ölçer. Model, doğrulama verisi üzerindeki performansına göre, algoritmasının bazı parametrelerini (hiper parametreler) ayarlar. Hiper parametreler, modelin karmaşıklığını, öğrenme hızını, düzenlileştirme seviyesini, vb. belirleyen değerlerdir. Model, doğrulama verisi üzerindeki performansını en iyi seviyeye getirene kadar bu süreci tekrarlar.
- Test Verisi (Test Data): Bu, makine öğrenmesi modelinin gerçek dünya verileri üzerindeki performansının ölçülmesi için kullanılan veri setidir. Test verisi, eğitim ve doğrulama verisinden farklı olmalıdır. Model, test verisini kullanarak bağımlı değişkeni tahmin eder ve tahminlerinin doğruluğunu ölçer. Model, test verisi üzerindeki performansı, modelin kalitesini ve güvenilirliğini belirleyen bir gösterge olarak kullanılır. Bir model, eğitim verisi ile test edilirse, bu modelin aşırı uyum (overfitting) yaptığı anlamına gelir. Aşırı uyum, modelin eğitim verisini ezberlemesi ve yeni veriler için genelleştirme yapamaması durumudur. Bu durum, modelin performansını düşürür ve yanıltıcı sonuçlar verir.