<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Deveciyagmur on Medium]]></title>
        <description><![CDATA[Stories by Deveciyagmur on Medium]]></description>
        <link>https://medium.com/@deveciyagmur547?source=rss-c7703309473d------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*sc1aA0mQRlYDJvPn</url>
            <title>Stories by Deveciyagmur on Medium</title>
            <link>https://medium.com/@deveciyagmur547?source=rss-c7703309473d------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 18:39:51 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@deveciyagmur547/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[SPSS — Veri Analizi Okulu 2.Ders]]></title>
            <link>https://medium.com/@deveciyagmur547/spss-veri-analizi-okulu-2-ders-1d5ded22df35?source=rss-c7703309473d------2</link>
            <guid isPermaLink="false">https://medium.com/p/1d5ded22df35</guid>
            <dc:creator><![CDATA[Deveciyagmur]]></dc:creator>
            <pubDate>Thu, 13 Nov 2025 13:25:14 GMT</pubDate>
            <atom:updated>2025-11-13T14:00:33.158Z</atom:updated>
            <content:encoded><![CDATA[<h3>SPSS — Veri Analizi Okulu 2.Ders</h3><p><strong>Yağmur Deveci</strong></p><p><strong>Ahmet Şamil Akgün</strong></p><p>Veri analizi, ham veriyi anlamlı bilgilere dönüştürme sürecidir. Bu rehber, IBM SPSS Statistics programını kullanarak temel veri yönetimi ve analiz adımlarını açıklamaktadır. Çalışmalar, Türkiye’nin sosyal haritasını çıkarmayı amaçlayan Türkiye Genel Sosyal Saha Araştırması (TGSS) veri seti gibi kapsamlı bir örneklem (2615 katılımcı) üzerinden gösterilecektir.</p><h3>Veri Setini Hazırlama ve Koruma</h3><p>Analize başlamadan önce veri seti tanınmalı ve korunmalıdır.</p><p>Variable View (Değişken Görünümü): Veri setinin “sözlüğü” gibidir. Değişkenlerin isimlerini, etiketlerini (açıklamalarını) ve değerlerini (örn: 1=Kadın, 2=Erkek) listeler.</p><p>Data View (Veri Görünümü): Katılımcıların verdiği cevapları, yani ham veriyi gösterir.</p><p>Veriyi Koruma: Analize başlarken File &gt; Save As komutu ile dosyanın bir kopyasını oluşturmak, orijinal veri setinin bozulmasını engeller.</p><h3>1. Veriyi Tanımlama: Betimleyici İstatistikler</h3><p>Veriyi tanımak, analiz sürecinin ilk adımıdır. Bu, “elimizde ne var?” sorusunu cevaplar.</p><h3>A. Frekans Analizi (Frequencies)</h3><p>Frekans analizi, bir değişkendeki cevap kategorilerinin kaç kez tekrar ettiğini (sıklığını) gösterir. Özellikle “Cinsiyet”, “Eğitim Durumu” gibi kategorik değişkenler için kullanılır.</p><p>Nasıl Yapılır: Analyze &gt; Descriptive Statistics &gt; Frequencies.</p><p>Tablo Nasıl Yorumlanır:</p><p>Frequency: Cevap veren kişi sayısı.</p><p>Percent: Kayıp (Missing) veriler dahil olmak üzere toplam içindeki yüzde.</p><p>Valid Percent (Geçerli Yüzde): En sık kullanılan değerdir. Kayıp verileri (örn: “Cevap vermek istemiyorum” diyenler) hesaptan çıkarır ve sadece geçerli cevaplar üzerinden yüzdeleme yapar.</p><p>Cumulative Percent: Yüzdelerin kümülatif toplamıdır.</p><h3>B. Tanımlayıcı İstatistikler (Descriptives)</h3><p>Sayısal (ölçek) değişkenler için (örn: “Boy”, “Kilo”, “Yaş”) frekans tablosu anlamsızdır. Bunun yerine, verinin özetini gösteren tanımlayıcı istatistikler kullanılır.</p><p>Nasıl Yapılır: Analyze &gt; Descriptive Statistics &gt; DESCRIPTIVES.</p><p>Tablo Nasıl Yorumlanır:</p><p>N: Geçerli cevap veren kişi sayısı.</p><p>Minimum / Maximum: Veri setindeki en düşük ve en yüksek değerler.</p><p>Mean (Ortalama): Değerlerin aritmetik ortalaması</p><p>Std. Deviation (Standart Sapma): Verilerin ortalamadan ne kadar uzağa yayıldığını gösteren bir ölçümdür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/577/1*NjX_s_0Norut0hvDbeheGA.png" /></figure><h3>C. Görselleştirme: Histogram</h3><p>Sayısal bir değişkenin dağılımını hızlıca görmek için Histogram grafiği kullanılır. Frequencies menüsü altındaki Charts seçeneğinden oluşturulabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/477/1*yBjfCg94d9DgP2FnSRUztA.png" /></figure><h3>Veri Dönüştürme: Recode (Yeniden Kodlama)</h3><p>Veri setleri genellikle dağınık kategoriler içerir. Örneğin, “Eğitim” değişkeninde 9 farklı kategori bulunabilir. Analizi kolaylaştırmak için bu kategoriler birleştirilir. Bu işleme “Recode” denir.</p><p><strong>Yöntem 1: Menü ile Yeniden Kodlama</strong></p><p>Bu yöntem, tıklayarak kodlama yapmayı sağlar.</p><ol><li>Transform &gt; Recode into Different Variables seçilir.</li></ol><p>2. Önemli Not: “Recode into Different Variables” (Farklı Değişkene Kodla) kullanmak, orijinal veriyi korur. “Same Variables” (Aynı Değişkene) üzerine yazmak, orijinal verinin kaybolmasına neden olur.</p><p>3. Old and New Values (Eski ve Yeni Değerler) penceresinde, eski kategoriler yeni kategorilerle eşleştirilir.</p><p><strong>Yöntem 2: Syntax (Kod) ile Yeniden Kodlama</strong></p><p>Çok sayıda kodlama işlemi için veya çalışmayı tekrarlanabilir kılmak için kod yazmak (Syntax) daha profesyonel ve hızlı bir yöntemdir.</p><p><strong>Nasıl Yapılır:</strong></p><ol><li>File &gt; New &gt; Syntax ile yeni bir kod sayfası açılır.</li></ol><p>2. TEMPORARY.: Bu komut, yazılan kodların SPSS kapatılana kadar “geçici” olmasını sağlar. Orijinal veri dosyası fiziksel olarak değişmez.</p><p>3. RECODE … INTO …: RECODE educlt (1=1) (2=1) (3=2) … (8=6) (9=6) INTO educR1. komutu, educlt değişkenindeki 1 ve 2 değerlerini educR1 adlı yeni değişkende 1 yapar; 8 ve 9 değerlerini 6 yapar.</p><p>4. VALUE LABELS: Yeni oluşturulan sayısal kodlara (1, 2, 3…) etiketler atamak için kullanılır. (Örn: 1 “Hiç okula gitmedi”, 6 “Lisansüstü”)</p><p>5. FREQUENCIES: Analizi çalıştırmak ve sonucu görmek için kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/736/1*5LSOmiNflI4tCoH1EJG21g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/787/1*tyaj8LDiAJl92hR3-V5Q1A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/663/1*23CbXlJRUElVd_xAEqFSlA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/732/1*LpdUan6m2rwUBupSwnscyw.png" /></figure><p>Recode Kısayolları: Syntax, kodlamayı hızlandıran komutlara izin verir:</p><ul><li>(1,2=1): 1 ve 2 değerlerini 1 yapar.</li></ul><p>• (1 thru 2=1): 1&#39;den 2&#39;ye kadar (dahil) tüm değerleri 1 yapar.</p><p>• (LOWEST thru 2=1): En düşük değerden 2&#39;ye kadar olanları 1 yapar.</p><p>• (8 thru HIGHEST=6): 8&#39;den en yüksek değere kadar olanları 6 yapar.</p><p>• (ELSE (COPY)): Yukarıda tanımlanmayan diğer tüm değerleri (örn: kayıp veriler) olduğu gibi kopyalar.</p><h3>3. Yeni Değişkenler Yaratma (Compute)</h3><p>Bazen ihtiyaç duyulan bilgi, veri setinde mevcut iki verinin hesaplanmasıyla elde edilir.</p><p>A. Değişken Hesaplama (Compute)</p><p>Transform &gt; Compute Variable menüsü (veya COMPUTE komutu) kullanılır.</p><p>Örnek: Veri setinde marcuryr (evlenme yılı) değişkeni varsa, “evlilik süresi” (maryear2) şu komutla hesaplanabilir:</p><p>COMPUTE maryear2 = 2024 — marcuryr.</p><p>Diğer matematiksel fonksiyonlar (örn: ABS (mutlak değer) veya SQRT (karekök)) da burada kullanılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/524/1*3ZrVEYcQImu1bF4pkvRekg.png" /></figure><h3>Ters Kodlama (Reverse Code)</h3><p>Özellikle psikoloji ve memnuniyet anketlerinde, bazı sorular olumsuz yönde kodlanabilir (örn: 1=Çok Mutluyum, 4=Çok Mutsuzum). Burada yüksek puan (4) olumsuz bir durumu ifade eder. Analizde tutarlılık sağlamak için bu değişkenin tersine çevrilmesi (Reverse Code) gerekir.</p><p><strong>Yöntem 1 (Recode):</strong> Değerleri tek tek tersine çevirmek.</p><p>RECODE welhappy (4=1) (3=2) (2=3) (1=4) INTO welhappyR.</p><p><strong>Yöntem 2 (Compute):</strong> Daha hızlı bir matematiksel yöntemdir. Ölçeğin en yüksek değeri 4 ise, (4+1=5) sayısı kullanılır.</p><p>COMPUTE welhappyR2 = 5 — welhappy. (Bu işlem 1 olan değeri 5–1=4, 4 olan değeri 5–4=1 yapar).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/543/1*hp7tpaxAddo4B-7_rTwjMA.png" /></figure><p><strong>Örnek:</strong></p><ul><li>Veri setimizde disgroup diye bir değişkenimiz var, bu değişken anketteki kişilerin ülkede ayrımcılığa uğrayıp uğramadığı ile ilgili data içeriyor.</li><li>Ben de alt kırılımlımlarına bakarak ayrımcılığa uğrama gerekçeleri için verilen cevaplar üzerinde bir piechart uygulayarak bu sonuca ulaştım.</li><li>Pie chart oluştur.</li><li>Bu komut, frekans (sayım) değerlerine göre bir pasta grafik (pie chart) oluşturur.(PIECHART / FREQ)</li><li>Bu, grafikte kategorilerin sıralama biçimini belirler. SPSS’te bu seçenek şu anlama gelir: “Kategoriler, veri setindeki orijinal sıralamaya göre (yani senin etiketleri tanımladığın sırayla) gösterilsin.”.</li></ul><pre> TEMPORARY.<br> COMPUTE dis_type = 0.<br> IF (disrace = 1) dis_type = 1.<br> IF (dislang = 1) dis_type = 2.<br> IF (disnat = 1) dis_type = 3.<br> IF (disrelg = 1) dis_type = 4.<br> IF (diseth = 1) dis_type = 5.<br> IF (disage = 1) dis_type = 6.<br> IF (disgender = 1) dis_type = 7.<br> IF (dissexor = 1) dis_type = 8.<br> IF (disdisab = 1) dis_type = 9.<br> IF (disoth = 1) dis_type = 10.<br> IF (disdk = 1) dis_type = 11.<br> IF (disref = 1) dis_type = 12.<br><br>VALUE LABELS dis_type<br> 1 &#39;Renk veya ırk&#39;<br> 2 &#39;Dil&#39;<br> 3 &#39;Uyruk&#39;<br> 4 &#39;Din&#39;<br> 5 &#39;Etnik köken&#39;<br> 6 &#39;Yaş&#39;<br> 7 &#39;Cinsiyet&#39;<br> 8 &#39;Cinsel yönelim&#39;<br> 9 &#39;Engellilik&#39;<br> 10 &#39;Diğer&#39;<br> 11 &#39;Bilmiyor&#39;<br> 12 &#39;Yanıt yok&#39;.<br><br>- - 0 değerlerini hariç tut.<br> SELECT IF (dis_type &gt; 0).<br><br>- - Pie chart oluştur.<br> FREQUENCIES VARIABLES = dis_type<br> /PIECHART FREQ<br> /ORDER=ANALYSIS.<br> </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/584/1*Oh0siJ0f4ge9saoDaVTSCw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/684/1*TZQv1myfoiREyk44eQkE5w.png" /></figure><ul><li>Boşanma sonrası nafaka uygulaması doğru veya yanlış olarak cevaplayan kişilerin analizi 0(Çok yanlış) 10(Çok doğru) olarak cevap verilmiştir.</li><li>Erkek ve kadınların ortalama olarak verdiği değeri analiz etmek istiyorum</li></ul><pre>FREQUENCIES VARIABLES = famdival gender.<br><br>TEMPORARY.<br>GRAPH<br>   /BAR(GROUPED)=MEAN(famdival) BY gender.<br></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/692/1*kz2aL6tDqQHk4zEQt8rQZQ.png" /></figure><ul><li>Evliliğinizden ne kadar memnunsunuz sorusuna 1 den 5 kadar cevap veren kişilerin dağılımı (1- Hiç Memnumum Değilim , 5- Çok memnunum).</li></ul><pre><br> TEMPORARY.<br> FREQUENCIES VARIABLES = marcursat<br>     /HISTOGRAM.<br></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/736/1*SCd7XpwtsAsV7Tp6ZrC5Qg.png" /></figure><ul><li>Çalışma durumları ile ilgili analiz .</li></ul><pre><br> TEMPORARY.<br> COMPUTE job_status = 0.<br> IF (empstat1 = 1) job_status = 1.<br> IF (empstat2 = 1) job_status = 2.<br> IF (empstat3 = 1) job_status = 3.<br> IF (empstat4 = 1) job_status = 4.<br> IF (empstat5 = 1) job_status = 5.<br> IF (empstat6 = 1) job_status = 6.<br> IF (empstat7 = 1) job_status = 7.<br> IF (empstat8 = 1) job_status = 8.<br> IF (empstatot = 1) job_status = 9.<br> IF (empstatdk = 1) job_status = 10.<br> IF (empstatref = 1) job_status = 11.<br><br>VALUE LABELS job_status<br> 1 &#39;Gelir getiren bir işte&#39;<br> 2 &#39;Öğrenci&#39;<br> 3 &#39;İşsiz ve aktif iş arıyor&#39;<br> 4 &#39;İşsiz, iş istiyor ama aktif olarak iş aramıyor&#39;<br> 5 &#39;Kalıcı olarak hasta ya da engelli&#39;<br> 6 &#39;Emekli&#39;<br> 7 &#39;Zorunlu askerlik görevinde&#39;<br> 8 &#39;Ev işleri yapıyor, çocuklara veya diğer kişilere bakıyor&#39;<br> 9 &#39;Diğer&#39;<br> 10 &#39;Bilmiyorum&#39;<br> 11 &#39;Cevap vermek istemiyorum&#39;.<br><br>- - 0 değerlerini hariç tut.<br> SELECT IF (job_status &gt; 0).<br><br>- - Pie chart oluştur.<br> FREQUENCIES VARIABLES = job_status<br> /PIECHART PERCENT<br> /ORDER=ANALYSIS.<br></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/727/1*dC2v0hy3BK-lppwHgs7ubw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/723/1*8HYmkvDVhwT4mY1lx_vN9w.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1d5ded22df35" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[MAKİNE ÖĞRENMESİNDE DEĞERLENDİRME METRİKLERİ]]></title>
            <link>https://medium.com/@deveciyagmur547/maki%CC%87ne-%C3%B6%C4%9Frenmesi%CC%87nde-de%C4%9Ferlendi%CC%87rme-metri%CC%87kleri%CC%87-819c6a1f525c?source=rss-c7703309473d------2</link>
            <guid isPermaLink="false">https://medium.com/p/819c6a1f525c</guid>
            <dc:creator><![CDATA[Deveciyagmur]]></dc:creator>
            <pubDate>Wed, 23 Jul 2025 14:56:50 GMT</pubDate>
            <atom:updated>2025-07-23T14:59:00.171Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EPqR9dA8gug1WIOfLaYLOA.jpeg" /></figure><p>Değerlendirme metrikleri (Evaluation Metrics), makine öğrenmesi süreçlerinde geliştirilenmodellerin gerçek dünya verileri üzerindeki etkinliğini değerlendirmemizi sağlayarak busüreçlerin temel bir parçasını oluşturur. Bu değerlendirme sayesinde modellerin doğruluğu,genelleme yeteneği, ve veriyle olan uyumu anlaşılır. Aynı zamanda, algoritmaların başarısıhakkında fikir verir ve karar verme süreçlerinde güvenilirliği artırır. Bu nedenle, makineöğrenmesi projelerinde değerlendirme metrikleri kritik bir rol oynar ve projelerin başarısınıdoğrudan etkiler. Makine öğrenmesinde kullanılan metrikler, modellerin etkinliğini ve güvenilirliğini değerlendirmek için temel bir unsurdur. Her makine öğrenmesi sürecinde bulunurlar. Projenin başarısını ölçmek ve algoritmaları geliştirmek için doğru değerlendirme metriklerini belirlemek önemlidir. Sınıflandırma problemlerinde doğruluk, hassasiyet, duyarlılık, F1 skoru, ROC-AUC eğrisi ve Hata Matrisi gibi metrikler, modelin sınıflandırma kabiliyetini ölçerken; regresyon problemlerinde MAE, MSE, RMSE ve R-Kare gibi metrikler tahmin doğruluğunu ortaya koyar. Bu metriklerin her biri, farklı kullanım senaryoları için özel bilgiler sunar ve doğru metrik seçimi modelin başarısı açısından büyük önem taşır. Bu yazıda hem sınıflandırma hem de regresyon için kullanılan temel değerlendirme metrikleri ele alınmış ve hangi bilgilere ulaşılabileceği açıklanmıştır.</p><p><strong>1- Makine Öğrenmesinde Sınıflandırma Metrikleri</strong></p><p>Sınıflandırma Metrikleri, giriş verileri verildiğinde sınıf etiketlerini tahmin etmekle ilgilidir.İkili sınıflandırmada, yalnızca iki olası çıktı (ikili sınıflandırma) vardır. Çok sınıflı sınıflandırmada ise ikiden fazla sınıf bulunabilirİkili sınıflandırmanın yaygın bir örneği, spam algılama problemidir. Bu durumda modelin girdi verileri e-posta metni ve meta veriler (örneğin, gönderen bilgisi ve gönderme zamanı) olabilir.Çıkış etiketi ise “spam” veya “spam değil” şeklindedir. İkili sınıflarda genellikle “pozitif” ve“negatif” ya da “sınıf 1” ve “sınıf 0” gibi terimler de kullanılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/927/1*Clg2L_2N5sn7QXK3bU3cog.png" /></figure><p><strong>1.1- Karışıklık Matrisi Nedir?</strong></p><p>Karışıklık matrisi, çıktının iki veya daha fazla sınıf olabildiği makine öğrenimi sınıflandırma problemleri için bir performans ölçümüdür. Tahmini ve gerçek değerlerin kombinasyonlarını içeren bir tablodur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/570/1*-bh605j5xHF-ScaaucOLZQ.png" /></figure><p><em>TP (Doğru Pozitif): Pozitif sınıfın doğru tahmini.</em></p><p><em>TN (Doğru Negatif): Negatif sınıfın doğru tahmini.</em></p><p><em>FP (Yanlış Pozitif): Negatif sınıfın pozitif olarak yanlış tahmini. (Type I Error)</em></p><p><em>FN (Yanlış Negatif): Pozitif sınıfın negatif olarak yanlış tahmini. (Type II Error)</em></p><p>Örnek: Gebelik analojisi örneğiyle TP, FP, FN, TN kavramlarını anlamaya çalışalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/737/1*WvEhlGa9wKqdHHUXG3jkDA.png" /></figure><p><em>Gerçek Pozitif (TP): Pozitif tahmin doğru çıktı. (Hamile kadını hamile bildik.)</em></p><p><em>Gerçek Negatif (TN): Negatif tahmin doğru çıktı. (Erkeği hamile değil bildik.)</em></p><p><em>Yanlış Pozitif (FP) </em><strong><em>— </em></strong><em>Tip 1 Hatası: Pozitif tahmin yanlış. (Erkeği hamile sandık.)</em></p><p><em>Yanlış Negatif (FN)</em><strong><em> — </em></strong><em>Tip 2 Hatası:</em><strong><em> </em></strong><em>Negatif tahmin yanlış. (Hamile kadını hamile değil sandık.)</em></p><p><strong>1.2- Accuracy (Doğruluk Oranı)</strong></p><p>Doğruluk, sınıflandırmada temel bir ölçüttür ve bir modelin amaçlanan görevi ne kadar iyi yerine getirdiğinin basit bir ölçümünü sağlar. Doğruluk, doğru tahmin edilen örneklerin verikümesindeki toplam örnek sayısına oranını temsil eder. Daha basit bir ifadeyle, şu soruya cevap verir: “Yapılan tüm tahminlerden kaçı doğruydu?”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/649/1*r7T--7UyXc_ai__GK7JRtw.png" /><figcaption>Doğruluk (Accuracy) = (Doğru Tahminler) / (Toplam Veri Sayısı)</figcaption></figure><p>Örnek: Sahte Kredi Kartı İşlemi Tespiti</p><p>Bir bankada 10.000 işlemden 200’ü sahte. Model tüm işlemleri “normal” tahmin ediyor.</p><p>Doğruluk = 9.800 / 10.000 = %98</p><p>Model sahte işlemleri hiç bulamıyor ama doğruluğu yüksek görünüyor. Bu durumda doğruluk metriği yanıltıcıdır.</p><p>Doğru metrikler: Duyarlılık (recall), hassasiyet (precision), F1-skoru.</p><p>Sonuç: Dengesiz verilerde doğruluk tek başına yeterli değildir. Yüksek doğruluk her zaman iyi model anlamına gelmez. Özellikle dengesiz veri setlerinde (gibi %98&#39;e karşı %2 gibi) doğruluk yanıltıcı olabilir. Kritik durumlarda (güvenlik, sağlık, finans), daha hassas metrikler tercih edilmelidir.</p><p><strong>Dikkat edilmesi gereken durumlar:</strong></p><p><strong>1. Dengesiz Sınıf Dağılımları: </strong>Sınıflar arasında ciddi dengesizlik varsa, model sadece çoğunluk sınıfını tahmin ederek yüksek doğruluk elde edebilir bu da yanıltıcıdır.</p><p><strong>2. Sınıf Dengesizliği ve Yanıltıcılık:</strong> Azınlık sınıfın yanlış tahmini önemli sonuçlar</p><p>doğuruyorsa, doğruluk yetersizdir. Bu durum hassasiyet, duyarlılık ve F1-Skoru gibi metrikler tercih edilmelidir.</p><p><strong>3. Başka Metriklerin Önemi:</strong> Veri yapısına ve probleme göre doğruluk yerine daha uygun</p><p>metrikler kullanılmalıdır. Örneğin tıbbi teşhis gibi durumlarda duyarlılık daha kritik olabilir.</p><p>Doğruluk, genel performansı değerlendirmek için iyi bir başlangıçtır; ancak her durumda</p><p>yeterli değildir. Problem yapısına uygun ek metriklerle birlikte değerlendirilmelidir.</p><p><strong>1.3- Hassasiyet (Precision)</strong></p><p>Hassasiyet, bir sınıflandırma modelinin pozitif olarak tahmin ettiği örneklerin gerçekten pozitif olduğu oranıdır. Hassasiyet, Yanlış Pozitif’in Yanlış Negatif’ten daha fazla endişe kaynağı olduğu durumlarda faydalıdır. Hassasiyetin önemi, yanlış sonuçların müşteri kaybına yol açabileceği ve bunun işletmeye zarar verebileceği müzik veya video öneri sistemlerinde, e-ticaret sitelerinde, kanser taraması, güvenlik sistemleri, dolandırıcılık tespiti. vb. ortaya çıkar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/343/1*t6oRYxffmPSjVivCdGGQvg.png" /><figcaption>Hassasiyet (Precision) = (Gerçek Pozitif) / (Gerçek Pozitif + Yanlış Pozitif)</figcaption></figure><p>Örnek: Spam E-posta Tespiti Senaryosu</p><p>Bir e-posta filtreleme modeli, spam tespiti yapıyor. Gerçekte 100 e-postanın 40’ı spam.</p><p>Model:</p><p>30 spam’ı doğru yakaladı (TP = 30)</p><p>10 spam’i kaçırdı (FN = 10)</p><p>5 normal e-postayı spam sandı (FP = 15)</p><p>45 normal e-postayı doğru tanıdı (TN = 45)</p><p>Precision (Hassasiyet) = TP / (TP + FP) = 30 / (30 + 15) = 0.667</p><p>Sonuç:Modelin hassasiyeti %66,7. Yani spam olarak işaretlediği e-postaların üçte biri aslında normal ama bu, kullanıcı için rahatsız edici olur. Gerçek e-postaların spam klasörüne gitmesi istenmeyen sonuçlara yol açabilir. Spam tespitinde yanlış alarm (FP) istenmez, bu yüzden precision yüksek olmalı. Hassasiyet yanlış pozitiflerin (FP) maliyetinin yüksek olduğu durumlarda kullanılır. Modelin pozitif tahminlerinin doğruluğunu ölçer. Yanlış alarmın istenmediği spam tespiti veya dolandırıcılık önleme gibi alanlarda önceliklidir.</p><p><strong>1.4- Duyarlılık (Recall)</strong></p><p>Duyarlılık, gerçek pozitif örneklerin ne kadarının pozitif olarak tahmin edildiğini ölçer.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/381/1*rajCB4q9jgeTG6HwVxdjdA.jpeg" /><figcaption>Duyarlılık (Recall) = (Gerçek Pozitif) / (Gerçek Pozitif + Yanlış Negatif)</figcaption></figure><p>Örnek: Hastalık Tespiti Senaryosu</p><p>Bir kanser teşhis modeli, 100 kişilik bir grubu tarıyor. Gerçekte 20 kişi hasta (pozitif), 80 kişi sağlıklı (negatif).</p><p>Model:</p><p>18 hastayı doğru tespit etti (TP = 18)</p><p>2 hastayı sağlıklı sandı (FN = 2)</p><p>10 sağlıklı kişiyi yanlışlıkla hasta dedi (FP = 10)</p><p>70 sağlıklı kişiyi doğru bildi (TN = 70)</p><p>Recall (Duyarlılık) = TP / (TP + FN) = 18 / (18 + 2) = 0.90</p><p>Sonuç: Model, %90 duyarlılığa sahip. Yani gerçek hastaların %90’ını doğru tespit etti.</p><p>Hastalığı olan kişilerin kaçırılmaması hayati olduğundan, yüksek recall burada çok önemlidir.</p><p>Az sayıda hasta kişi “sağlıklı” denilip eve gönderildi, bu risklidir. Bu nedenle modelin duyarlılığı yüksek olmalı. Recall (Duyarlılık) yanlış negatiflerin (FN) kritik olduğu durumlarda tercih edilir. Modelin gerçek pozitifleri yakalama oranını gösterir. Hasta teşhisi, güvenlik alarm sistemleri gibi kaçırılmaması gereken pozitif örneklerde önemlidir.</p><p><strong>1.5- F1-Skoru (F1-Score)</strong></p><p>Kesinlik (precision) ve duyarlılık (recall) performanslarının birleşimini ifade eden F1-Skoru, sınıflandırma modellerinin değerlendirilmesinde önemli bir metriktir. Hem yanlış pozitiflerin hem de yanlış negatiflerin etkisini dengeler, böylece modelin genel başarısını daha kapsamlı şekilde ölçer. F1-Skoru, modelin hem doğruluğunu hem de gerçek pozitifleri kaçırma riskini dikkate alır. Özellikle, dengesiz sınıflandırma problemleri veya farklı maliyetlerin olduğudurumlarda, F1-Skoru kullanılmalıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/448/1*wGOXhCzqDNfF3YrBxEjhNg.png" /><figcaption>F1-Skoru = 2 * (Kesinlik * Duyarlılık) / (Kesinlik + Duyarlılık)</figcaption></figure><p>Örnek : Sahte Banka İşlemi Tespiti</p><p>Bir banka, müşterilerinin işlemlerini sahte (dolandırıcılık) veya gerçek olarak sınıflandıran bir model kullanıyor. Veri setinde 1000 işlem var; bunlardan 50’si sahte işlem.</p><p>Model:</p><p>40 sahte işlemi doğru tespit etti (TP = 40)</p><p>10 sahte işlemi atladı (FN = 10)</p><p>20 gerçek işlemi yanlışlıkla sahte olarak işaretledi (FP = 20)</p><p>930 işlemi doğru sınıflandırdı (TN = 930)</p><p>Precision = TP / (TP + FP) = 40 / (40 + 20) = 40 / 60 = 0.67</p><p>Recall = TP / (TP + FN) = 40 / (40 + 10) = 40 / 50 = 0.80</p><p>F1=2×Precision×Recall/Precision+Recall=2×0.67×0.80/0.67+0.80≈0.73</p><p>Sonuç: Model, sahte işlemleri %67 hassasiyetle ve %80 duyarlılıkla tespit ediyor. F1-Skoru %73 ile bu iki metriğin dengeli bir değerlendirmesini sunuyor.</p><p>Bu skor, hem yanlış pozitiflerin (gerçek işlemlerin sahte sayılması) hem de yanlış negatiflerin (sahte işlemlerin gözden kaçması) önemli olduğu durumlarda modelin genel başarısını daha iyi yansıtır. F1 skoru, dengesiz veri setlerinde ve yanlış pozitif ile yanlış negatif hataların birlikte önemli olduğu durumlarda kullanılır. Precision ve recall dengesini sağlayarak modelin genel performansını daha adil şekilde ölçer. Özellikle sağlık, güvenlik ve dolandırıcılık tespiti gibi kritik alanlarda tercih edilir.</p><p><strong>1.6- AUC-ROC Eğrisi</strong></p><p>AUC-ROC Eğrileri, çeşitli eşik değerlerinde sınıflandırma problemleri için bir performans metriğidir.</p><p><strong>Eşik Değeri</strong></p><p>Eşik değeri, modelin tahmin ettiği olasılık değerlerine göre sınıflandırma yapma kararını belirler. Örneğin, eşik değeri 0.5 ise olasılığı 0.5 ve üzeri olanlar pozitif sınıf (1), olasılığı 0.5’ in altı olanlar ise negatif sınıf (0) şeklinde sınıflandırılır.</p><p><strong>Hassasiyet ve Duyarlılık Arasındaki İlişki</strong></p><p>Hassasiyet (Precision) ve duyarlılık (Recall), eşik değeri değiştikçe ters şekilde etkilenir; eşik değeri arttırıldığında hassasiyet artabilir, duyarlılık azalabilir.Eşik azaltıldığında ise duyarlılık artabilir, hassasiyet azalabilir. Bu nedenle aralarındaki denge, eşik değerine bağlı olarak dikkatlice değerlendirilmelidir.</p><p><strong>ROC Eğrisi (Receiver Operating Characteristic Curve)</strong></p><p>ROC Eğrisi, modelin farklı eşik değerlerinde nasıl performans gösterdiğini görselleştirir.</p><p>Eğrinin eksenleri:</p><p>X ekseni: Yanlış Pozitif Oranı (False Positive Rate — FPR)</p><p>Y ekseni: Gerçek Pozitif Oranı (True Positive Rate — TPR) — Duyarlılık (Recall)</p><p>TPR (Recall) = TP / (TP + FN)</p><p>FPR = FP / (FP + TN)</p><p>ROC eğrisi, sınıflandırma eşik değeri değiştikçe bu oranların nasıl değiştiğini gösterir. <br>Eğrinin <strong>sol üst köşeye yakın olması</strong>, modelin yüksek duyarlılığa ve düşük yanlış pozitif orana sahip olduğunu, dolayısıyla <strong>iyi performans</strong> gösterdiğini ifade eder.</p><p><strong>AUC (Area Under the Curve)</strong></p><p>AUC, ROC eğrisinin altında kalan alanı temsil eder ve modelin pozitif ve negatif sınıfları ayırt etme başarısını ölçer.</p><p>AUC = 1.0 → Mükemmel model (sınıfları tamamen ayırır).</p><p>AUC = 0.5 → Rastgele tahmin (modelin ayırt edici gücü yoktur)</p><p>AUC &lt; 0.5 → Kötü model (sınıfları yanlış şekilde tahmin ediyor olabilir)</p><p>AUC, rastgele seçilen bir pozitif örneğin, rastgele seçilen bir negatif örnekten daha yüksek olasılık skoruna sahip olma ihtimalidir. Yani modelin, doğru sınıfı daha yüksek skora<strong> </strong>yerleştirme yeteneğini ölçer.</p><p><strong>Uygulama Alanları ve Yorumlama</strong></p><p><strong>Model Karşılaştırma: </strong>Farklı modeller arasında genel performans kıyaslaması yapılırken AUC değeri yüksek olan model tercih edilir.</p><p><strong>Eşik Belirleme: </strong>ROC eğrisi sayesinde farklı eşik değerlerinde duyarlılık ve özgüllük (TNR) dengesi gözlemlenebilir, böylece en uygun eşik belirlenebilir.</p><p><strong>Dengesiz Veri Setlerinde Kullanım: </strong>Sınıflar arasında dengesizlik varsa, doğruluk (accuracy) yanıltıcı olabilir. Bu tür durumlarda ROC-AUC, daha <strong>güvenilir ve dengeli</strong> bir değerlendirme sağlar.</p><p><strong>2-Regresyon Metrikleri</strong></p><p>Bu metrikler, regresyon modelllerinin gerçek değerlerle tahmin ettiği değerler arasındaki farkı değerlendirerek, modelin başarısını ve tahmin yeteneğini ölçer.</p><p><strong>2.1- Ortalama Mutlak Hata (Mean Absolute Error — MAE)</strong></p><p>Ortalama Mutlak Hata (MAE), bir regresyon modelinin tahminlerinin gerçek değerlerden mutlak farklarının ortalamasını hesaplayan bir metriktir. MAE, regresyon modellerinin tahmin performansını değerlendırmek için kullanılır. Özellikle, aykırı değerlerin olduğu durumlarda RMSE’ye göre daha dirençli olduğu için, MAE tercih edilebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/378/1*SKl9A0oDWTDcqk6RLqxaNw.png" /></figure><p>n, örnek sayısını temsil eder. <br>y, gerçek değeri temsil eder. <br>ŷ, modelin tahmin ettiği değeri temsil eder. <br>MAE, her bir örnek için hesaplanır ve ardından bu değerlerin ortalaması alınır.</p><p>2.2- Ortalama Kare Hata (Mean Squared Error — MSE)</p><p>Ortalama Kare Hata (MSE), tahmin edilen değerler ile gerçek değerler arasındaki farkın karesinin toplamının tahmin edilen değer sayısına bölünmesiyle elde edilir. MSE, büyük hataların küçük hatalarla dengelendiği bir metriktir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*9jR3bMfjub2LL3B4PkMEKw.png" /></figure><p><strong>Model Karşılaştırma:</strong> MAE, tahmin edilen değerlerle gerçek değerler arasındaki farkların mutlak ortalamasını alır ve birimi aynıdır. Yorumlaması kolaydır ve uç değerlere karşı dayanıklıdır. MSE ise farkların karesini alarak büyük hataları daha fazla cezalandırır, bu nedenle uç değerlere daha hassastır. Model karşılaştırmalarında MAE, küçük ama tutarlı hataları olan modelleri öne çıkarırken; MSE, büyük hataların daha az olduğu modelleri tercih eder. Hangi metrik seçilecekse, problemde büyük hataların önemi göz önünde bulundurulmalıdır. Uç değerler azaltılmak isteniyorsa MAE, büyük hataların engellenmesi kritikse MSE kullanılmalıdır.</p><p><strong>2.3- Kök Ortalama Kare Hata (Root Mean Squared Error- RMSE)</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/265/1*La_VZb09csA1c7rm1NWmtA.png" /></figure><p>RMSE, modelin gerçek değerlerle tahmin edilern değerler arasındaki farkları ölçer ve bu farkların standar sapmasını hesaplar. Özellikle , tahmin hatalarının önemli olduğu durumlarda, örneğin finansal tahminlerde tercih edilir.</p><p><strong>2.4- R- Kare</strong></p><p>Regresyon modellerinin bağımsız değişkenler tarafından açıklanan bağımlı değişkenin varyansının oranını ifade eden bir metriktir. R-Kare, bir modelin ne kadar iyi uyum sağladığını, düşük bir R-Kare değeri ise modelin veriye uyum sağlama yeteneğinin daha zayıf olduğunu gösterir. Bu nedenle, R-Kare, regresyon modellerinin performansını değerlendirmek ve karşılaştırmak için kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/160/1*KrM9ulP9fuXp-HA-JMHXPg.png" /></figure><p>Bu yazıda sınıflandırma ve regresyon modelleri detaylı bir şekilde incelenmiş, temel tanımları, kullanım amaçları ve matematiksel formülleriyle birlikte karşılaştırmaları yapılmıştır. Sınıflandırma modellerinin, verileri kategorik sınıflara ayırarak karar verme süreçlerinde önemli bir rol oynadığı; regresyon modellerinin ise sürekli değişkenlerin tahmin edilmesinde etkin olduğu görülmüştür. Her iki model türü de farklı problemlere uygun çözümler sunmakla birlikte, performansları veri setinin yapısına ve problem tanımına bağlı olarak değişkenlik göstermektedir. Doğru model seçimi, modelin başarısı ve uygulama alanına olan uygunluğu açısından kritik öneme sahiptir. Ayrıca, sınıflandırma ve regresyon modellerinin birbirinden farklı metriklerle değerlendirilmesi gerektiği, bu sayede model performansının daha sağlıklı analiz edilebileceği sonucuna varılmıştır.</p><p>KAYNAKÇA:</p><p>[1] Analytics Vidhya, “Metrics to Evaluate Your Classification Model to Take the Right Decisions,” <em>Analytics Vidhya</em>, Jul. 28, 2021. [Online]. Available: <a href="https://www.analyticsvidhya.com/blog/2021/07/metrics-to-evaluate-your-classification-model-to-take-the-right-decisions/">https://www.analyticsvidhya.com/blog/2021/07/metrics-to-evaluate-your-classification-model-to-take-the-right-decisions/</a></p><p>[2] Analytics Vidhya, “11 Important Model Evaluation Error Metrics Everyone Should Know,” <em>Analytics Vidhya</em>, Aug. 7, 2019. [Online]. Available: <a href="https://www.analyticsvidhya.com/blog/2019/08/11-important-model-evaluation-error-metrics/">https://www.analyticsvidhya.com/blog/2019/08/11-important-model-evaluation-error-metrics/</a></p><p>[3] Analytics Vidhya, “Get to Know All About Evaluation Metrics,” <em>Analytics Vidhya</em>, Sep. 14, 2022. [Online]. Available: <a href="https://www.analyticsvidhya.com/blog/2022/09/get-to-know-all-about-evaluation-metrics/">https://www.analyticsvidhya.com/blog/2022/09/get-to-know-all-about-evaluation-metrics/</a></p><p>[4] J. Brownlee, “Confusion Matrix for Machine Learning,” <em>Machine Learning Mastery</em>, Jul. 17, 2022. [Online]. Available: <a href="https://machinelearningmastery.com/confusion-matrix-machine-learning/">https://machinelearningmastery.com/confusion-matrix-machine-learning/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=819c6a1f525c" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>