Sınıflandırma algoritmalarını tanıyın ve doğru olanı seçin

Sınıflandırma problemi ne zaman ortaya çıkar?

Sınıflandırma, bir kaydın hangi kategoriye ait olduğunu tahmin etme işidir. Çıktı sürekli bir sayı değil, bir etikettir: müşteri ayrılacak mı ayrılmayacak mı, e-posta istenmeyen mi değil mi, kredi başvurusu riskli mi, görüntüdeki parça hatalı mı sağlam mı. Etiketlerin bilindiği geçmiş örneklerden öğrenildiği için bu aileye denetimli öğrenme denir.

Sayısal bir değer tahmin ediyorsanız (gelecek ayın satış tutarı gibi) bu regresyondur; kayıtları etiket olmadan gruplamak istiyorsanız denetimsiz öğrenmedir. Sınıflandırmada önce sorunun gerçekten bir etiket tahmini olup olmadığını netleştirmek gerekir. Çoğu projede asıl zorluk algoritma seçmek değil, hedef etiketin iş açısından doğru tanımlanmasıdır. "Müşteri kaybı" kavramı bir ekipte hesabın kapanması, başka bir ekipte belirli bir süre alışveriş yapmaması anlamına gelebilir; tanım farklıysa model de farklı bir şeyi öğrenir.

Başlıca algoritma aileleri ve güçlü yanları

Hepsini ezberlemek yerine her ailenin mantığını ve hangi veride rahat ettiğini bilmek yeterlidir.

• Lojistik regresyon: Özelliklerin ağırlıklı toplamını olasılığa çevirir. Hızlıdır, katsayıları yorumlanabilir, genellikle ilk deneme (başlangıç çizgisi) olarak kullanılır. Doğrusal olmayan ilişkileri tek başına yakalayamaz.
• Karar ağacı: Veriyi "bu özellik şu eşiğin üstünde mi" gibi sorularla dallara ayırır. Kural olarak okunabilir ve ölçeklendirme gerektirmez. Tek ağaç eğitim verisine aşırı uyum sağlamaya meyillidir.
• Rastgele orman: Çok sayıda ağacı farklı örnek ve özellik altkümeleriyle eğitip oylamayla karar verir. Tek ağaca göre daha kararlıdır, tablo biçimli veride sağlam bir varsayılandır.
• Gradyan artırma (boosting): Ağaçları sırayla ekler, her yeni ağaç öncekinin hatalarına odaklanır. Tablo verisinde çoğu zaman en yüksek başarıyı verir ama ayar gerektirir.
• Destek vektör makineleri (SVM): Sınıflar arasında en geniş payı bırakan sınırı arar. Orta boyutlu, temiz veride ve özellik sayısı yüksekken iyidir; çok büyük veride yavaşlar.
• k-en yakın komşu: Yeni kaydı en benzer komşularının çoğunluk etiketiyle sınıflar. Kurulumu basittir, ancak tahmin anında tüm veriyi taramak gerekir ve özelliklerin ölçeği sonucu doğrudan etkiler.
• Naif Bayes: Olasılıksal bir yaklaşımdır; metin sınıflandırmada, örneğin istenmeyen e-posta ayırmada, hızlı ve yeterince iyi bir başlangıç sunar.
• Yapay sinir ağları: Görüntü, ses ve ham metin gibi yapılandırılmamış verilerde öne çıkar; tablo verisinde ağaç tabanlı yöntemlerden her zaman üstün değildir.

Hangi algoritma, hangi durumda?

Seçimi birkaç soru yönlendirir. Önce veri tipine bakın: satır ve sütunlardan oluşan tablo verisinde rastgele orman ve gradyan artırma güçlü adaylardır; görüntü ve ses için sinir ağları, kısa metin için Naif Bayes ya da lojistik regresyon iyi bir başlangıçtır.

Sonra yorumlanabilirlik ihtiyacını sorun. Bir kredi kararını düzenleyiciye ya da müşteriye açıklamanız gerekiyorsa lojistik regresyon veya sığ bir karar ağacı daha savunulabilir; yalnızca tahmin başarısı önemliyse topluluk yöntemleri öne geçer. Ardından veri hacmine bakın: çok büyük veride k-en yakın komşu ve çekirdekli SVM pahalıdır, doğrusal modeller ve ağaç tabanlı yöntemler ölçeklenir.

Pratik yaklaşım şudur: basit bir modelle başlayın, sonucu bir referans kabul edin, sonra daha karmaşık modelleri bu referansla kıyaslayın. Karmaşık model referansı belirgin biçimde geçmiyorsa ek karmaşıklığın bedeli çoğu zaman karşılığını vermez.

Adım adım örnek: müşteri kaybı tahmini

Örneğin bir abonelik hizmeti, önümüzdeki dönemde aboneliğini bırakacak müşterileri önceden bulmak istiyor. İş akışı kabaca şöyle ilerler.

Önce hedef etiket tanımlanır ve geçmiş kayıtlar bu etikete göre işaretlenir. Ardından veri hazırlanır: eksik değerler doldurulur, kategorik alanlar sayısallaştırılır, kullanım sıklığı ve son işlem tarihi gibi özellikler türetilir. Veri eğitim ve sınama olarak ayrılır; zamana bağlı bir süreçse ayrım rastgele değil tarihe göre yapılır, aksi halde model geleceği görmüş olur.

Sonra bir lojistik regresyon referans olarak kurulur, ardından rastgele orman ve gradyan artırma denenir. Modeller çapraz doğrulamayla karşılaştırılır, en başarılı aday hiperparametre araması ile ayarlanır. Son olarak eşik değeri iş maliyetine göre seçilir: bir müşteriyi elde tutma kampanyası ucuzsa düşük eşikle çok müşteriye ulaşmak mantıklıdır, pahalıysa eşik yükseltilir.

Modeli nasıl değerlendirirsiniz?

Doğruluk (accuracy) tek başına yanıltıcı olabilir. Sınıflar dengesizse, örneğin dolandırıcılık işlemleri nadirse, her şeye "dolandırıcılık değil" diyen model yüksek doğruluk alır ama işe yaramaz. Bu yüzden hata matrisi (confusion matrix) ile işe başlayın ve hataların türünü ayırın.

Duyarlılık (recall) gerçek pozitiflerin ne kadarını yakaladığınızı, kesinlik (precision) pozitif dediklerinizin ne kadarının doğru olduğunu gösterir. F-skoru bu ikisini tek sayıda toplar; ROC eğrisi altındaki alan ise eşikten bağımsız ayırt etme gücünü özetler. Hangi ölçütün öne çıkacağını iş belirler: hastalık taramasında kaçırmak pahalıdır, bu yüzden duyarlılık ağır basar; manuel inceleme kuyruğu sınırlıysa kesinlik önem kazanır.

Değerlendirmeyi eğitimde hiç kullanılmamış veride yapın. Çapraz doğrulama, tek bir bölmenin şansına bağımlılığı azaltır. Sınıf dengesizliğinde sınıf ağırlıkları, yeniden örnekleme ya da eşik ayarı gibi yöntemler devreye girer.

Sık yapılan hatalar

• Veri sızıntısı: Sonucu önceden ele veren bir özelliği (örneğin hesap kapandıktan sonra oluşan bir alan) modele vermek, sınamada harika, canlıda çökmüş bir model üretir.
• Ölçek farkını yok saymak: k-en yakın komşu ve SVM gibi mesafe temelli yöntemlerde özellikler aynı ölçeğe getirilmezse büyük değerli alan sonucu domine eder.
• Aşırı uyum: Derin bir ağaç eğitim verisini ezberler. Derinliği sınırlamak, budama yapmak veya topluluk yöntemine geçmek çözümdür.
• Yanlış ölçüt: Dengesiz veride yalnızca doğruluğa bakmak.
• Ayarsız karmaşıklık: Referans model kurmadan doğrudan en karmaşık algoritmaya atlamak, kazancın nereden geldiğini görünmez kılar.
• Canlı izlemeyi unutmak: Veri dağılımı zamanla değişir; modelin başarısı yayına alındıktan sonra da izlenmelidir.

Öğrenme yolu: temelden uygulamaya

Başlangıçta Python ve veri işleme kütüphanelerinde rahat olmak, temel istatistik kavramlarını bilmek gerekir. İlk aşamada lojistik regresyon ve karar ağacını küçük bir veri kümesiyle uçtan uca kurun, sonucu hata matrisiyle okuyun. Orta aşamada topluluk yöntemlerine, çapraz doğrulamaya ve özellik mühendisliğine geçin. İleri aşamada dengesiz veri, olasılık kalibrasyonu, açıklanabilirlik teknikleri ve modeli üretime taşıma konuları gelir.

Kendi alanınızdan gerçek bir veriyle çalışmak, hazır eğitim veri kümelerinden daha öğreticidir; çünkü etiket tanımı, eksik veri ve iş maliyeti gibi gerçek sorunlarla orada karşılaşırsınız.

Bu beceriyi Mindset programlarında nerede çalışırsınız?

Denetimli Öğrenme Algoritmaları programının modülleri arasında denetimli öğrenme çerçevesi, doğrusal modeller ve düzenlileştirme, karar ağaçları ve kural tabanlı yöntemler, destek vektör makineleri, k-en yakın komşu ve olasılıksal modeller ile model değerlendirme ve karşılaştırma yer alır.

Makine Öğrenmesi (Uygulamalı) Programı ise veri ön işleme ve özellik mühendisliğinden sınıflandırmaya, topluluk yöntemlerinden model doğrulama ve hiperparametre optimizasyonuna, dengesiz veri uygulamalarından modeli üretime taşımaya uzanan bir akış sunar.