“Kara Kutu” Yanılgısı: Lojistik Regresyon Nasıl Öğrenir?

Günümüzde makine öğrenmesi algoritmaları sıklıkla iç işleyişi bilinmeyen “sihirli” kara kutular olarak algılanmaktadır. Oysa Lojistik Regresyon mimarisi, tamamen pürüzsüz bir matematiksel optimizasyona dayanır. Algoritma, tahminleri rastgele atamak yerine, bir maliyet fonksiyonunu (cost function) en aza indirmeyi hedefler. Sistemin kendi karar sınırlarını (decision boundaries) belirleme süreci özetle şöyledir: Model kendisine verilen verileri ağırlıklarla çarpıp doğrusal bir skor üretir ve bu skoru Sigmoid Fonksiyonu ile 0 ve 1 arasında bir olasılığa hapseder. Ardından İkili Çapraz Entropi (BCE) ile hatasını ölçer ve Gradyan İnişi (Gradient Descent) türevleriyle katsayılarını günceller ta ki hata payı en aza inene dek.

Gürültüyü Susturmak: Veri İnşası ve Özellik Seçimi

Bu algoritmik zekâyı IBM’in ünlü Telco Customer Churn veri setiyle beslemeden önce, veriyi modelin anlayabileceği saf bir matematiğe dönüştürmeliyiz. Veri setindeki sayısal boşlukları medyan değerleriyle doldurup, modeli saptıracak aykırı değerleri (outliers) Çeyrekler Arası Açıklık (IQR) yöntemiyle törpülüyoruz. Ancak Lojistik Regresyon metinleri okuyamaz. Bu yüzden sözleşme tipi veya internet türü gibi kategorik verileri “One-Hot Encoding” tekniğiyle 0 ve 1'lerden oluşan matrislere çeviriyoruz. Ardından, “Koordinat İnişi” mantığıyla çalışan L1 (Lasso) ceza mekanizmasını devreye sokarak 31 boyutlu özellik uzayını 18'e düşürüyor ve sistemi gürültüden arındırıyoruz.

Lojistik Regresyonun Öğrenme Dinamikleri: “Kara Kutu”nun İçine Bir Bakış

Yapay zekâ ve makine öğrenmesi kavramları, popüler kültürde genellikle sihirli bir “kara kutu” (black-box) olarak tasvir edilse de, işin özünde katı bir matematiksel optimizasyon süreci yatmaktadır. İkili sınıflandırma (binary classification) problemlerinin temel taşı olan Lojistik Regresyon, veriden öğrenme işlemini rastgele deneme-yanılmalarla değil, türevlenebilir bir maliyet fonksiyonunu adım adım minimize ederek gerçekleştirir [1].

Modelin karar sınırlarını (decision boundaries) nasıl çizdiğini ve algoritmik olarak nasıl “öğrendiğini” dört temel adımda özetleyebiliriz:

1. İleri Yönlü Hesaplama (Forward Pass) ve Sigmoid Dönüşümü
Model, kendisine verilen her bir özelliği (örneğin müşterinin yaşı, faturası veya ödeme gecikmesi) sistemde başlangıçta rastgele atanan ağırlık katsayıları (w) ile çarpar ve bir sapma (bias — b) değeri ekleyerek doğrusal bir skor (z) üretir:

Ancak sınıflandırma problemlerinde doğrusal bir çıktı işimize yaramaz; hedefin gerçekleşip gerçekleşmeyeceğine dair 0 ile 1 arasında bir olasılık değeri lazımdır. İşte bu noktada, doğrusal skoru olasılık uzayına sıkıştıran Sigmoid Fonksiyonu devreye girer:

2. Kayıp (Loss) Hesabı ve Hatanın Ölçülmesi
Model bir olasılık tahmini (p) ürettikten sonra, bu tahmini gerçek verideki sonuçla (y) karşılaştırır. Bu karşılaştırma literatürde İkili Çapraz Entropi (Binary Cross-Entropy — BCE) olarak bilinen logaritmik bir kayıp fonksiyonu üzerinden yapılır.

Eğer bir müşteri gerçekten ayrılmışsa (y=1) ve model ayrılma ihtimalini çok düşük (p=0.1) tahmin etmişse, bu formül logaritmik olarak çok yüksek bir ceza (Loss) üreterek modele matematiksel bir “yanlış yoldasın” uyarısı verir.

3. Geri Yayılım (Backward Pass) ve Gradyan İnişi (Gradient Descent)
Öğrenme sürecinin kalbi burasıdır. Model, yaptığı hatanın faturasını ağırlıklara dağıtmak zorundadır. Temelleri Cauchy (1847) tarafından atılan Gradyan İnişi (Gradient Descent) algoritması, kayıp fonksiyonunun (L) her bir ağırlığa (wj) göre kısmi türevini (∂L∂wj) hesaplar [2]. Bu türev, hatayı azaltmak için ağırlığın hangi yöne ve ne kadar güncellenmesi gerektiğini gösteren bir matematiksel pusuladır.

Güncelleme kuralı şu şekilde işler:

Buradaki α (öğrenme oranı — learning rate), modelin hatalarını düzeltirken adımlarını ne kadar büyük atacağını belirleyen kritik bir hiperparametredir.

4. Optimizasyon Çözücüleri (Solvers) ve İterasyon
Geleneksel modeller standart gradyan inişi kullanırken, projemizde L1 (Lasso) regülarizasyonu uyguladığımız için kodlarımızda özel olarak solver=’liblinear’ parametresini tercih ettik. Liblinear çözücüsü, karmaşık L1 cezalarını optimize edebilmek için literatürde “Koordinat İnişi (Coordinate Descent)” olarak adlandırılan gelişmiş bir türev kullanır [3]. Bu yapı, modele etki etmeyen gereksiz özellikleri matematiksel olarak sıfırlayarak modelin çok daha kararlı çalışmasını sağlar.

Bu ileri ve geri yönlü döngü, modelin tahmin hatası minimuma inene kadar (kodlarımızdaki max_iter parametresine bağlı olarak) yüzlerce kez tekrarlanır ve nihayetinde en optimum ağırlıklar (w) bulunarak “öğrenme” işlemi tamamlanmış olur.

Telekomünikasyon Müşteri Kaybı (Churn) Analizi Örnek Vaka: Telco Customer Churn Analizi ve Açıklanabilir Yapay Zeka (SHAP)

Özet: Bu çalışmada, telekomünikasyon sektöründe müşterilerin aboneliklerini iptal edip etmeyeceklerini (churn) tahmin edebilmek için Lojistik Regresyon algoritması ile bir makine öğrenmesi modeli geliştirilmiştir. Rehber niteliğindeki bu yazıda kodlar ve metinsel açıklamalar herkesin anlayabileceği sadelikte tutulurken; veri mühendisliği, model optimizasyonları ve analiz süreçleri akademik bir derinlikle ele alınmıştır.

1. Projenin Amacı ve Veri Setinin Tanıtımı

Bir telekomünikasyon şirketi için müşteri kaybetmek, yeni müşteri kazanmaktan her zaman daha maliyetlidir. Bu projenin amacı, müşterilerin mevcut kullanım alışkanlıkları ve demografik özelliklerine bakarak şirketi terk edip etmeyeceklerini önceden tahmin edebilen bir yapay zeka modeli kurmaktır.

Veri Setinin Kimliği:

• Kullanılan Veri Seti: IBM Telco Customer Churn [4].
• Boyutlar: 7043 satır (Müşteri) ve 21 sütun (Özellik).
• Hedef (Target) Değişken: Churn (Müşterinin şirketi terk edip etmediği durumu. 1: Terk Etti, 0: Terk Etmedi).

2. Boyut Değişimi: Neden (7043, 21)’den (7043, 31)’e Çıkıyor?

Veri ön işleme adımlarında sıklıkla kafa karıştıran bir durumu açıklığa kavuşturmak gerekir. Orijinal verimiz 21 sütundan oluşurken, dönüştürme işlemlerinden sonra neden 31 sütuna çıkıyor? Bunun sebebi literatürde “One-Hot Encoding” olarak bilinen, kategorik (metinsel) verileri makine öğrenmesi modelinin anlayabileceği 0 ve 1'lerden oluşan sayısal matrislere dönüştürme işlemidir. Örneğin, “Ödeme Yöntemi” isimli tek bir sütunun içinde Kredi Kartı, Banka Transferi ve Elektronik Çek gibi metinsel ifadeler bulunuyordu. Lojistik regresyon matematiksel bir algoritma olduğu için bu metinleri okuyamaz. Bu nedenle o tek sütun parçalanarak her bir ödeme yöntemi için ayrı birer sayısal sütun (0 veya 1) oluşturulmuştur. Sütun sayısındaki artışın (genişlemenin) temel sebebi budur.

"""
Makine öğrenmesi veri ön işleme, modelleme ve SHAP analiz pratikleri

Amaç:
    1. Eksik veri tespiti, çıkartılması ve uygun değerler ile doldurma
    2. IQR (Interquartile Range - Çeyrekler Arası Aralık) yöntemiyle sayısal sütunlardaki aykırı değerleri tespit etme ve baskılama
    3. Kategorik verileri one-hot encoding* ile dönüştürme
       *(tek-sıcak kodlama), kategorik verileri (renk, şehir veya cinsiyet gibi metinsel bilgileri) bilgisayarların ve yapay zeka modellerinin 
       işleyebilmesi için 0 ve 1 rakamlarından oluşan ikili (binary) sayılara dönüştüren bir veri hazırlama yöntemidir.
    4. Veriyi train (eğitim), validasyon (doğrulama) ve test kümelerine ayırma
    5. Sayısal özelliklere (features) standardization uygulama
    6. L1 Lasso ile feature selection* yapma
       *L1 regülasyonu (Lasso), modeldeki önemsiz veya zayıf değişkenlerin katsayılarını tamamen sıfıra indirgeyerek
        otomatik özellik seçimi (feature selection) gerçekleştirir.
    7. Optimizasyon: Grid search ve random search ile en iyi hiperparametreleri bulma
    8. Açıklanabilirlik: SHAP ile özellik katkılarını inceleme

Kurulumlar:
pip install pandas scikit-learn shap matplotlib seaborn
"""

# 1. gerekli kütüphanelerin içeriye aktarılması
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt 
import seaborn as sns
import shap 

from sklearn.model_selection import train_test_split, GridSearchCV, RandomizedSearchCV 
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression 
from sklearn.feature_selection import SelectFromModel
from sklearn.model_selection import StratifiedKFold 
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix 

# 2. veri setinin yüklenmesi
df = pd.read_csv('https://raw.githubusercontent.com/IBM/telco-customer-churn-on-icp4d/master/data/Telco-Customer-Churn.csv')

print(f"Orijinal veri boyutu: {df.shape}")

# Müşteri ID'si tahminleme için analitik değer taşımaz, gereksiz olduğu için df' ten silinmeli. 
df.drop('customerID', axis=1, inplace=True)

# 3. eksik veri analizi ve doldurma
df['TotalCharges'] = pd.to_numeric(df['TotalCharges'], errors='coerce')

sayisal_sutunlar = ['tenure', 'MonthlyCharges', 'TotalCharges'] 

# sayısal sütunları medyan ile doldurma (Medyan değer ile doldurma, aykırı değerlere (outliers) karşın en iyi yöntemdir.)
for sutun in sayisal_sutunlar:
    medyan_degeri = df[sutun].median()
    df[sutun] = df[sutun].fillna(medyan_degeri)

# 4. IQR yöntemiyle aykırı değerleri tespit etme ve baskılama
for sutun in sayisal_sutunlar:
    q1 = df[sutun].quantile(0.25) # Birinci çeyrek
    q3 = df[sutun].quantile(0.75) # Üçüncü çeyrek

    iqr = q3 - q1 # çeyrekler arası açıklık yani IQR

    alt_sinir = q1 - 1.5 * iqr # Alt sınır değerinin altındaki veriler aykırı değer (outlier) olarak kabul edilir.Bazen negatif olabiliyor.
    # Burada literatüre uygun olarak k değeri 1.5 alınmıştır. 
    ust_sinir = q3 + 1.5 * iqr # Üst sınır değerinin altındaki veriler aykırı değer (outlier) olarak kabul edilir.

    # Aykırı değerleri sınır değerlerine çekme (Capping/Baskılama)*
    df[sutun] = np.clip(df[sutun], alt_sinir, ust_sinir)
    """
    *np.clip fonksiyonu ile, aykırı değerleri veri setinden atmak (drop) yerine, 
    onları belirlenen alt_sinir ve ust_sinir değerlerine sabitleyen bir baskılama (capping veya winsorizing) işlemini gerçekleştirir.
    Amaç veri kaybını önleyip modelin eğitilmesini stabilize etmektir. 
    """

# 5. label encoding ve one-hot encoding
df['Churn'] = df['Churn'].map({'Yes': 1, 'No': 0})

y = df['Churn']
X_temp = df.drop(columns=['Churn'])

# Kategorik dönüşüm sonrası özellikler
X = pd.get_dummies(X_temp, drop_first=True, dtype=int)

print(f"Kategorik dönüşüm sonrası özellikler (Boyut): {X.shape}")

# 6. Veriyi train (eğitim), validasyon (doğrulama) ve test kümelerine ayırma 
# val = %80 (içinde %60 train, %20 val), test = %20
X_train_val, X_test, y_train_val, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)
X_train, X_val, y_train, y_val = train_test_split(X_train_val, y_train_val, test_size=0.25, random_state=42, stratify=y_train_val) 

print(f"X_train: {X_train.shape}") 
print(f"X_val: {X_val.shape}") 
print(f"X_test: {X_test.shape}") 

# 7. sayısal özelliklerde standardization
standard_scaler = StandardScaler() 

X_train_standard = X_train.copy() 
X_val_standard = X_val.copy() 
X_test_standard = X_test.copy() 

# ölçekleyici yalnızca eğitim verisi üzerinde öğretilmeli
X_train_standard[sayisal_sutunlar] = standard_scaler.fit_transform(X_train[sayisal_sutunlar]) 

# validasyon ve test verilerinde yalnızca transform uygulanmalı
X_val_standard[sayisal_sutunlar] = standard_scaler.transform(X_val[sayisal_sutunlar]) 
X_test_standard[sayisal_sutunlar] = standard_scaler.transform(X_test[sayisal_sutunlar]) 

Kod hücresinin çıktısı:

3. Model Eğitimi, Boyut İndirgeme ve Hiperparametre Arama Yöntemleri

Bu aşamada verimizdeki gürültü yaratan özelliklerin (features) elenmesi için Lasso (L1) modeli ile bir feature selection işlemi uygulanmıştır. Daha sonra, modelin öğrenme katsayılarını en ideal seviyeye getirmek amacıyla Grid Search ve Random Search stratejileri Stratified K-Fold (sınıf oranlarını koruyan çapraz doğrulama) ile harmanlanmıştır. Sonuçlar karşılaştırmalı olarak aşağıda sunulmuştur.

# 8. Lasso ile feature selection yapma
lasso_secici = SelectFromModel(LogisticRegression(penalty='l1', solver='liblinear', C=0.1, random_state=42))
lasso_secici.fit(X_train_standard, y_train)

secilen_ozellikler = X_train_standard.columns[lasso_secici.get_support()]
print(f"\nL1 Sonrası Seçilen Özellik Sayısı: {len(secilen_ozellikler)}")

# Veri setleri seçilen özelliklere göre daraltılmalı
X_train_secili = X_train_standard[secilen_ozellikler]
X_test_secili = X_test_standard[secilen_ozellikler]

# 9. grid search ve random search ile en iyi hiperparametrelerin seçilmesi
# Stratified K-fold* ile çapraz doğrulama yapılması:
"""
* Veri seti içindeki sınıflandırma dağılımını train, validation ve test verilerinde de aynen korumak için seçilmiştir.
"""
stratified_kfold = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) 

base_model = LogisticRegression(solver='liblinear', max_iter=200, random_state=42) 

param_arama_uzayi = {
    'C': [0.01, 0.1, 1, 10],
    'penalty': ['l1', 'l2'] 
}

# Grid Search
grid_search = GridSearchCV(
    estimator=base_model,
    param_grid=param_arama_uzayi,
    cv=stratified_kfold,
    scoring="f1",
    n_jobs=-1
) 
grid_search.fit(X_train_secili, y_train)

# Random Search
random_search = RandomizedSearchCV(
    estimator=base_model,
    param_distributions=param_arama_uzayi,
    n_iter=4, 
    cv=stratified_kfold,
    scoring="f1",
    random_state=42, 
    n_jobs=-1 
) 
random_search.fit(X_train_secili, y_train)

# 10. En iyi modeli test verisi üzerinden değerlendirme
en_iyi_model = grid_search.best_estimator_
y_pred = en_iyi_model.predict(X_test_secili)

print("\nModel Karşılaştırma Sonuçları:")
print(f"Grid Search En İyi Parametre Seti: {grid_search.best_params_}") 
print(f"Random Search En İyi Parametre Seti: {random_search.best_params_}") 
print(f"Test Seti Doğruluğu (Accuracy): {accuracy_score(y_test, y_pred):.2f}") 
print(f"Sınıflandırma Raporu:\n {classification_report(y_test, y_pred)}") 

# Karmaşıklık Matrisi' nin (Confusion Matrix) Görselleştirmesi (Heatmap) 
plt.figure(figsize=(6,4)) 
sns.heatmap(confusion_matrix(y_test, y_pred), annot=True, fmt='d', cmap='Blues')
plt.title('Karmaşıklık Matrisi (Confusion Matrix)') 
plt.ylabel('Gerçek Değerler') 
plt.xlabel('Tahmin Edilen Değerler') 
plt.show() 

"""
ÇIKTI AÇIKLAMASI: Karmaşıklık Matrisi (Confusion Matrix) Çıktısı:
Bu ısı haritası (heatmap), sınıflandırma algoritmamızın (Lojistik Regresyon) test verisi üzerindeki
gerçek performansını iki boyutlu bir düzlemde özetler.
- Sol üst hücre (TN: True Negative): Şirkette kalacak müşterileri doğru tahmin ettiğimiz sayıdır.
- Sağ alt hücre (TP: True Positive): Şirketi terk edecek (Churn=1) müşterileri doğru yakaladığımız sayıdır.
- Sol alt ve Sağ üst hücreler (Tip-I ve Tip-II Hatalar): Modelin yanıldığı noktalardır.
Özellikle müşteri kaybı senaryosunda hedefimiz, sağ alt hücredeki değeri maksimize ederken
sol alt hücredeki (terk edeceği halde kalacak dediğimiz) sayıyı minimize etmektir.
"""

# 11. SHAP ile özellik katkılarının incelenmesi
shap_explainer = shap.LinearExplainer(en_iyi_model, X_train_secili)
shap_values = shap_explainer.shap_values(X_test_secili)

plt.figure(figsize=(10,6)) 
shap.summary_plot(shap_values, X_test_secili, feature_names=X_test_secili.columns) 
plt.show() 

"""
ÇIKTI AÇIKLAMASI: SHAP Özeti (Summary Plot) Çıktısı:
Geleneksel ağırlık katsayılarının aksine SHAP, oyun teorisine dayanarak her bir gözlemin modele olan
katkısını şeffaflaştırır.
- Grafikteki her bir nokta, test setindeki tek bir müşteriyi temsil eder.
- Renk skalası: Kırmızı renkler özelliğin yüksek değerini (örneğin yüksek fatura), mavi renkler ise düşük değerini ifade eder.
- X ekseni (SHAP value): Sıfır noktasının sağına doğru uzanan noktalar müşterinin şirketi terk etme
  (Churn) olasılığını matematiksel olarak artırırken, sol taraftaki noktalar sadakati (kalma olasılığını) artırır.
Bu görsel, hangi değişkenlerin (özelliklerin) ayrılma kararını doğrudan tetiklediğini hiyerarşik bir sırayla açıklar.
"""

Kod hücresinin çıktıları:

4. Overfitting (Aşırı Öğrenme) Kontrolü ve Sistemin Kararlılığı (Robustness): Modelimiz Ezberliyor mu?

Literatürde makine öğrenmesi modelleri değerlendirilirken sıklıkla düşülen en büyük hata, sistemin sadece test verisi üzerindeki başarısına odaklanılmasıdır. Ancak modelin eğitim verisini ezberleyip ezberlemediğini (overfitting) anlamanın en kesin yolu, Grid Search algoritmasının çapraz doğrulama (Cross-Validation) esnasında ürettiği skor ile daha önce hiç görmediği Test setindeki skoru kıyaslamaktır.

Bu çalışmada kabul edilebilir sapma eşiği olarak literatürde standartlaşmış olan 0.05 (%5) delta değeri referans alınmıştır. Çapraz doğrulama ile test F1-Skorları arasındaki farkın 0.05'ten küçük çıkması, modelimizin varyansının oldukça düşük olduğunu ve farklı veri setlerine karşı genelleme yeteneğinin (generalization) yüksek, kararlı (robust) bir yapıda çalıştığını kanıtlamaktadır. Aşağıdaki analiz bu istikrarı matematiksel olarak doğrulamaktadır.

from sklearn.metrics import f1_score

# F1-Skoru ile F1-Skorunun Karşılaştırılması
cv_f1_score = grid_search.best_score_
test_f1_score = f1_score(y_test, y_pred)

print(f"Grid Search Validation (CV) F1-Skoru: {cv_f1_score:.3f}")
print(f"Test Seti F1-Skoru: {test_f1_score:.3f}")

# Overfitting Kontrolü ve 0.05 Tolerans Sınırı
fark = abs(cv_f1_score - test_f1_score)
print(f"\nValidation ve Test Arasındaki Fark (Delta): {fark:.3f}")

if fark < 0.05:
    print("Sonuç: Fark 0.05 eşiğinin altındadır. Model gayet istikrarlı, ezberleme (overfitting) GÖZLENMEDİ.")
else:
    print("Sonuç: Fark 0.05 eşiğini aşmıştır. Modelde ezberleme eğilimi olabilir, parametreler gözden geçirilmeli.")

Kod hücresinin çıktısı:

5. Model Çıktılarının Akademik Yorumu ve Sınıf Dengesizliği İllüzyonu: %80 Başarı Gerçekten Başarı mı?

Grid Search ve Random Search algoritmalarının veri seti üzerinde gerçekleştirdiği taramalar sonucunda, sistem için en optimum hiperparametre setinin {‘C’: 1, ‘penalty’: ‘l2’} olduğu matematiksel olarak kanıtlanmıştır. Ayrıca L1 (Lasso) ceza mekanizması, adeta sistemdeki frekans gürültülerini süzen bir filtre gibi çalışarak 31 boyutlu özellik uzayını 18'e indirgemiştir.

Elde edilen sonuçlara ilk bakıldığında %80'lik genel doğruluk (Accuracy) oranı, modelin yüksek bir kararlılıkla (stability) çalıştığı izlenimini vermektedir. Ancak bir makine öğrenmesi sisteminin gerçek başarısı, tıpkı kapalı çevrim bir kontrol sisteminin dayanıklılığı (robustness) gibi, salt doğrulukla değil, uç durumlara verdiği tepkiyle ölçülür.

Sınıflandırma raporu (Classification Report) incelendiğinde şu çarpıcı tablo ortaya çıkmaktadır:

Sistemde Kalanları (0) Bulma Başarısı: Model, şirkette kalacak müşterileri %89 oranında (Recall) doğru tespit etmektedir.
Gerçek Kaçakları (1 — Churn) Bulma Başarısı: Şirketi asıl zarara uğratacak olan “ayrılan” müşterilerin ise sadece %55'i (Recall: 0.55) yakalanabilmiştir.
Sınıflandırma raporu (Classification Report) incelendiğinde, klasik bir “çoğunluk sınıfı illüzyonu” ile karşılaştığımız görülmektedir. Sistemin kararlılığını (stability) değerlendirirken yalnızca genel Accuracy oranına odaklanmak, dinamik bir sistemin geçici rejim (transient) tepkilerini yok sayıp sadece kalıcı hal (steady-state) hatasına bakmak kadar yanıltıcıdır.

SHAP Uyarısının Anlamı: Çıktının sonundaki Subsampling uyarısı, SHAP algoritmasının 4225 satırlık devasa bir arka plan verisini işlerken hesaplama maliyetini (computational cost) düşürmek adına rastgele 100 örneklem seçtiğini belirtir. Bu, lineer modellerde akademik olarak kabul gören standart bir yaklaşımdır.

Sorunun Kaynağı ve Çözüm: Standart model çoğunluk sınıfına (şirkette kalanlar) aşırı uyum sağlayarak yüksek bir genel doğruluk üretir ancak asıl yakalanması gereken ayrılanları (Churn) kaçırır. Bu durum, veri setindeki sınıf dengesizliğinden (imbalance) kaynaklanmaktadır. Model çoğunluk sınıfına (kalan müşteriler) odaklanarak “miyop” bir yapıya bürünmüştür. Şimdi, tespit ettiğimiz optimum {‘C’: 1, ‘penalty’: ‘l2’} parametrelerine ek olarak, modele sınıfların önem derecesini eşitlemesini (class_weight=’balanced’) söyleyecek ve standart model ile optimum modeli karşılaştıracağız.

Parametreleri optimize edilmiş ve class_weight=’balanced’ ile maliyet fonksiyonu dengelenmiş bir modelde genel doğruluk (Accuracy) bir miktar düşüş sergilese de, modelin azınlık sınıfını (1 — Churn) bulma hassasiyetini ifade eden Recall (Duyarlılık) değeri dramatik bir şekilde sıçrama yapar. Doğrusal olmayan karmaşık bir düzende şirketin asıl problemi sadık müşterileri bulmak değil, ayrılma sinyali veren müşteriyi önceden tespit etmektir. Dengelenmiş bir maliyet fonksiyonu, bu sinyali güçlendirerek elde tutma (retention) bütçesinin doğru yönetilmesi için optimum çalışma noktasını belirler.

# 12. Standart Model ile Optimum (Dengelenmiş) Modelin Karşılaştırılması
from sklearn.linear_model import LogisticRegression 
from sklearn.metrics import accuracy_score, classification_report 

# MODEL 1: Hiperparametre ayarı yapılmamış varsayılan model
# (Eğitim verisi L1 ile seçilmiş 18 özelliği içerir)
base_model = LogisticRegression(random_state=42) 
base_model.fit(X_train_secili, y_train) 
y_pred_base = base_model.predict(X_test_secili)

# MODEL 2: Optimum Parametreler + Sınıf Ağırlığı Dengelenmiş Model
# Elde ettiğimiz C=1, penalty='l2' değerleri kullanılmıştır.
optimum_model = LogisticRegression(C=1, penalty='l2', class_weight='balanced', random_state=42) 
optimum_model.fit(X_train_secili, y_train) 
y_pred_opt = optimum_model.predict(X_test_secili)

print("="*60)
print("1. STANDART VARSAYILAN MODEL SONUÇLARI")
print("="*60)
print(f"Accuracy: {accuracy_score(y_test, y_pred_base):.2f}") 
print(classification_report(y_test, y_pred_base)) 

print("\n" + "="*60)
print("2. OPTİMUM VE DENGELENMİŞ MODEL SONUÇLARI (class_weight='balanced')")
print("="*60)
print(f"Accuracy: {accuracy_score(y_test, y_pred_opt):.2f}") 
print(classification_report(y_test, y_pred_opt)) 

Kod hücresinin çıktısı:

6. Karşılaştırmalı Sonuçların Değerlendirmesi

Yukarıdaki çıktı incelendiğinde, klasik akademik tuzaklardan birinin nasıl aşıldığı açıkça görülmektedir: Dengelenmiş optimum modelde (Model 2) genel Accuracy (Doğruluk) oranı %80'lerden %74' e düşmüş gibi görünse de, asıl hedefimiz olan Churn (1) sınıfının Recall (Duyarlılık) değeri %55'ten %77'a fırlamıştır.

Bir telekomünikasyon şirketi yöneticisi için %80 doğrulukla sadece kaçanların yaklaşık yarısını bulmak yerine, %74 genel doğrulukla kaçacak müşterilerin yaklaşık %80'ini (0.77 Recall) önceden tespit edebilmek milyarlarca liralık bir “elde tutma (retention)” bütçesinin doğru yönetilmesi anlamına gelir. Bu çalışma, makine öğrenmesinde sadece genel başarı skorlarına aldanmamanın, hedefe yönelik hiperparametre ve ağırlık mühendisliğinin ne denli kritik olduğunu kanıtlamaktadır.

7. Görsel Çıktıların (Heatmap ve SHAP) Analizi

Karmaşıklık Matrisi (Confusion Matrix) Yorumu: Matris, modelimizin hata dinamiklerini iki boyutlu bir düzlemde haritalandırır. Burada en kritik bölge sol alt hücredir (Tip-II Hata / False Negative). Bu hücre, sistemin “şirkette kalacak” şeklinde tahmin ettiği ancak gerçekte “şirketi terk eden” müşterileri gösterir. Telekomünikasyon şirketi için en maliyetli sızıntı bu hücrede yaşanır. Sınıf ağırlıkları dengelenmiş model, sağ alt hücredeki (True Positive — Doğru tespit edilen ayrılmalar) yoğunluğu artırarak Tip-II hatayı minimize edecek şekilde sistemi stabilize etmiştir.

SHAP Özellik Katkıları (Summary Plot) Yorumu: Geleneksel ağırlık katsayılarının aksine SHAP (SHapley Additive exPlanations), sistem çıktısına etki eden her bir girdinin nedenselliğini oyun teorisiyle açıklar. Grafiğin yorumlanması şu şekildedir:

Sözleşme Tipi ve Süre (Contract & Tenure): Aylık (Month-to-month) sözleşme tipi, sistemin ayrılma yönündeki (sağ tarafa doğru) tepkisini en çok hızlandıran bozucu etkidir. Buna karşılık, sistemde kalma süresinin (tenure) uzunluğu ve 2 yıllık sözleşmeler, model çıktısını stabilize edip ayrılma ihtimalini güçlü bir şekilde bastırmaktadır (sol taraftaki mavi yığılmalar).
Maliyet Etkisi (TotalCharges & MonthlyCharges): Özellikle fiber optik internet kullanan abonelerde yüksek aylık fatura tutarları (kırmızı noktalar), modeli 0 çizgisinin sağına iterek riski artırmaktadır. Bu durum, fiyat-performans dengesizliğinin müşteri sadakati üzerindeki matematiksel kanıtıdır.

Son Söz: Projenin Özeti

Telekomünikasyon Müşteri Kaybı (Churn) Analizi Örnek Proje: Telco Customer Churn Analizi ve Açıklanabilir Yapay Zeka (SHAP)

Projenin Amacı: Bir telekomünikasyon firmasının müşteri verilerini analiz ederek, hangi profildeki abonelerin şirketi terk etmeye (churn) eğilimli olduğunu önceden tespit etmek ve bu sayede milyonlarca liralık elde tutma (retention) bütçesinin doğru müşterilere harcanmasını sağlamaktır.

Adım Adım İşlemler:

Veri İzolasyonu: Tahminsel gücü olmayan customerID gibi gürültü değişkenleri veri setinden arındırıldı.

Eksik Veri ve Aykırı Değer (Outlier) Yönetimi: Sayısal boşluklar medyan ile dolduruldu; doğrusal modeli saptırabilecek aşırı uç değerler IQR yöntemiyle tespit edilip sınırlandırıldı (capping).

Kategorik Dönüşüm (One-Hot Encoding): Sözleşme tipi, internet türü gibi metinsel veriler makine öğrenmesi algoritmasının işleyebileceği 0 ve 1'lerden oluşan sayısal matrislere genişletildi.

Veri Setinin Bölünmesi: Modelin ezberlemesini önlemek için veri Stratified (sınıf dağılımı korunarak) yaklaşımla Train, Validation ve Test olarak 3'e bölündü.

Ölçeklendirme: Lojistik regresyonun mesafe hassasiyeti göz önüne alınarak bağımsız değişkenler standartlaştırıldı (StandardScaler).

Boyut İndirgeme (Feature Selection): L1 (Lasso) algoritması devreye sokularak hedef değişken üzerinde matematiksel bir etkisi olmayan gereksiz özellikler elendi (Özellik sayısı 31'den 18'e düştü).

Optimizasyon: 5 katlı çapraz doğrulama (Stratified K-Fold) eşliğinde, GridSearchCV ve RandomizedSearchCV kullanılarak ceza katsayısı ( C ) ve ceza türü (penalty) için en optimum değerler tespit edildi.

Açıklanabilirlik (XAI): Makine öğrenmesinin “kara kutu” doğasını kırmak için SHAP analizi eklendi ve karmaşıklık matrisi (confusion matrix) ile başarı görselleştirildi.

Nihai Sonuç: Model, sınıf dengesizliğine (az sayıda churn, çok sayıda kalan müşteri) karşı class_weight=’balanced’ parametresiyle modifiye edildi. Genel “doğruluk” (%80) yanılsamasına düşmek yerine, sistemi asıl zarara uğratacak olan terk eden müşterileri yakalama duyarlılığı (Recall) %55'lerden %77'ye çıkarılarak gerçek hayatta kullanılabilir, sağlam (robust) bir yapı inşa edildi.

Kaynaklar:

1. Hosmer, D.W., Jr., Lemeshow, S. and Sturdivant, R.X. (2013). FrontMatter. In Applied Logistic Regression (eds D.W. Hosmer, S. Lemeshow and R.X. Sturdivant). https://doi.org/10.1002/9781118548387.fmatter
2. A.-L. Cauchy, “Méthode générale pour la résolution des systemes d’équations simultanées,” Comptes Rendus Hebd. Séances Acad. Sci., cilt 25, ss. 536–538, 1847.
3. R.-E. Fan, K.-W. Chang, C.-J. Hsieh, X.-R. Wang ve C.-J. Lin, “LIBLINEAR: A Library for Large Linear Classification,” Journal of Machine Learning Research, c. 9, ss. 1871–1874,2008.
4. https://raw.githubusercontent.com/IBM/telco-customer-churn-on-icp4d/master/data/Telco-Customer-Churn.csv

Yapay zekâ (YZ) sistemleri, bugüne kadar bize yalnızca sorulan sorulara yanıt veren “statik tahmin ediciler” olarak hizmet etti. Ancak teknoloji dünyası şu an büyük bir kırılma noktası yaşıyor: Sistemler artık kendi başlarına plan yapan, geçmişten ders çıkaran, araç kullanabilen ve çevreleriyle etkileşime giren “otonom ajanlara” dönüşüyor. Kendi kendine kod yazan, veritabanlarını güncelleyen, hatta diğer ajanlarla müzakere eden bu yeni nesil sistemler büyük bir potansiyel sunuyor.

Fakat bu artan “özerklik” ve “derin düşünme” kapasitesi, çok büyük bir paradoksu da beraberinde getiriyor: Yapay zekâ sistemleri bağımsızlaştıkça ve daha karmaşık düşünme süreçlerine girdikçe, şimdiye kadar karşılaştığı en sinsi güvenlik açıklarına da kapı aralıyor.

Bugün yapay zekanın geldiği noktayı ve gelecekte bizi bekleyen görünmez tehlikeleri anlamak için, iki kritik araştırmanın bulgularına derinlemesine iniyoruz.

“Aşırı Düşünme” Tuzağı: Süper Zekalar Nasıl Felç Edilir?

Bugünün en gelişmiş Büyük Dil Modelleri (LLM), kullanıcıya yanıt vermeden önce problemi adım adım parçalara ayırdığı bir “iç monolog” (internal monologue) gerçekleştirerek mantık yürütme yeteneğine sahipler. Ancak Zhejiang Üniversitesi ve Alibaba’dan araştırmacıların sunduğu son bulgular, bu çok övülen “derin düşünme” özelliğinin aslında kritik bir zaafiyet olduğunu kanıtlıyor.

Araştırmacılar; DeepSeek-R1, OpenAI GPT-o3 ve Google Gemini 2.5 Flash gibi günümüzün en güçlü akıl yürüten modellerine karşı oldukça zekice bir saldırı geliştirdiler. Bu, geleneksel bir siber saldırı veya kod hackleme işlemi değil; tamamen mantıksal bir tuzak.

Geliştirilen evrimsel bir algoritma, matematik veya mantık sorularındaki kilit öncülleri kasıtlı olarak ortadan kaldırıyor. Örneğin modele, “Günde 10 mil yürüyen biri toplamda kaç mil yürür?” diye soruluyor, ancak kişinin kaç gün yürüdüğü bilgisi metinden kasıtlı olarak siliniyor.

Peki bu eksik bilgi karşısında süper zeki modeller ne yapıyor? Problemin çözülemez olduğunu fark edip durmak yerine, eksik mantığı tamamlayabilmek için sonsuz ve sonuçsuz bir düşünme döngüsüne giriyorlar. Bu “aşırı düşünme” (overthinking) krizi, hedeflenen modellerin standart yanıtlardan 26 kat daha uzun çıktılar üretmesine neden oluyor. Kötü niyetli aktörler bu basit mantık tuzaklarını geniş çapta uyguladığında, yapay zekâ sunucularına aşırı yük bindirerek bir tür “Hizmet Reddi” (Denial-of-Service — DoS) saldırısı yaratabiliyor ve sistemi yasal kullanıcılar için tamamen kullanılamaz hale getiriyorlar.

Eğer gündelik hayatımızın altyapısını emanet etmeyi planladığımız bu süper zekalar, sadece tek bir eksik bilgi karşısında kendi zihinlerinde kaybolacak kadar kırılgansa, onları nasıl otonom bırakabiliriz?

Otonominin Anatomisi: Kökleri Derinlerde Bir Sistem Krizi

Mantık oyunlarıyla felç edilen modeller, aslında çok daha büyük ve sistemsel bir problemin sadece küçük bir yansımasıdır. Tsinghua Üniversitesi’nden araştırmacıların hazırladığı kapsamlı akademik incelemeye göre, yapay zekâ sistemleri Seviye 1'den (kurallara bağlı, hafızasız botlar) Seviye 5'e (tam otonom, açık uçlu ajanlar) doğru evrildikçe, güvenlik riskleri sadece artmakla kalmıyor; tamamen biçim değiştiriyor.

Otonom ajanların karşılaştığı eşsiz risklerin başında şunlar geliyor:

• Hafıza Zehirlenmesi ve Kalıcı Karakter Sapması (Memory Poisoning & Value Drift): Otonom ajanlar, uzun vadeli hedeflere ulaşabilmek için geçmiş diyalogları ve öğrenimleri hafızalarında tutarlar. Eğer sistem erken bir aşamada bir halüsinasyon (yanlış bilgi) üretir veya zehirli bir veriyi kaydederse, bu hatalı bilgi gelecekteki tüm kararlarına ve planlamalarına nüfuz eder. Yapay zekâ, yanlış bir anıyı doğru kabul ederek kalıcı bir “karakter sapması” (policy drift) yaşayabilir.
• Araçların Kötüye Kullanımı (Tool Misuse): Seviye 3 ve üzeri otonomide yapay zekâ artık sadece metin üretmez; dış dünyada eyleme geçer. Dosya silebilir, e-posta atabilir, kod çalıştırabilir veya API çağrıları yapabilir. Hatalı bir iç mantık silsilesi sonucunda bir ajan, sadece “disk alanını temizle” komutunu yanlış yorumladığı için kritik sistem loglarını kalıcı olarak silip tüm sunucuyu çökertebilir. Eylemlerin geri alınamaz (irreversible) olması, riski maksimuma çıkarır.
• Çoklu Ajan Kaosu ve Virüs Etkisi: Geleceğin mimarisinde farklı görevleri olan yapay zekâ ajanları birbirleriyle iletişim kurarak ortak çalışacaklar. Ancak bir ajana enjekte edilen zararlı bir komut (prompt infection), paylaşılan hafıza ve aralarındaki doğal dil iletişimi üzerinden diğer ajanlara da bir virüs gibi bulaşabilir. Otonom sistemlerde tek bir ajanın “yanılgısı”, tüm ağın güvenilirliğini çökertebilir.

Çözüm Nerede? R2A2 Mimarisinin Doğuşu

Artık tehlikelerin, kelime filtreleriyle, dışarıdan kurulan güvenlik duvarlarıyla veya basit statik kurallarla çözülemeyecek kadar sistemin “içine” işlediği çok net. Tsinghua araştırmacıları, güvenliğin ajanın doğasında, yani “endojen” (içsel) olması gerektiğini savunarak Yansıtıcı ve Risk Farkındalıklı Ajan Mimarisi (R2A2) adını verdikleri yepyeni bir bilişsel çerçeve öneriyorlar.

Bu mimarinin kalbinde geleneksel modellerden farklı olarak Kısıtlı Markov Karar Süreçleri (CMDP — Constrained Markov Decision Processes) yatıyor. Geleneksel yapay zekâ modelleri sadece kendisine verilen görevi (ödülü) maksimize etmeye odaklanırken; CMDP mimarisine sahip bir sistem, ödül optimizasyonu ile “güvenlik kısıtlamaları” (risk) arasında yapısal bir denge kurmak zorunda bırakılıyor.

Yani R2A2 mimarisine sahip bir süper zekâ, dış dünya ile etkileşime girmeden önce kendi içinde geleceği simüle ediyor. “Bu eylemim tehlikeli bir aracı tetikler mi?” veya “Bu kararım insan değerleriyle çatışıyor mu?” diye bir İç Gözlem (Introspective Reflection) yapıyor. Beklenen fayda, risk limitlerini aşıyorsa “Kısıtlama Filtresi” devreye giriyor ve otonom ajanın güvensiz adım atması engelleniyor.

Sonuç: Üçlem Çıkmazında Kontrol Kimin Elinde?

Yapay zekanın gelişimi bizi bugün çok net bir felsefi ve mimari paradoksa, Otonomi, Kontrol Edilebilirlik ve Sağlamlık (Autonomy, Controllability, and Robustness) üçlemine götürüyor.

Yapay zekaya karmaşık sorunları kendi başına çözebilmesi için daha fazla özerklik verdiğimizde (Otonomi), onun aldığı kararları öngörmek ve araya girip müdahale etmek zorlaşıyor (Kontrol Edilebilirlik). Modeli dış saldırılara ve mantık hatalarına (aşırı düşünme sendromu gibi) karşı daha dirençli hale getirmeye çalıştığımızda ise (Sağlamlık), sistemin mimarisi öylesine karmaşıklaşıyor ki karar alma süreçlerindeki şeffaflığı kaybediyoruz.

Gelecekte yapay zekâ; sorduğumuz sorulara doğru yanıtlar veren statik bir ansiklopedi değil, kendi inisiyatifiyle bizim adımıza kararlar alan, dünya ile etkileşime giren dinamik bir “vekil” (agent) olacak. Fakat bir yanda kasten eksiltilmiş basit bir matematik problemi yüzünden beyni yanıp kilitlenen milyar dolarlık modeller, diğer yanda dünyayı algılayıp fiziksel eyleme dökebilecek kadar özgür ama hafızası zehirlenmeye açık sistemler var.

Asıl soru şu: Karşılaştığı her sorunu “akıl yürüterek” çözebilen bu devasa zekalara, “ne zaman düşünmeyi bırakıp insanlardan yardım istemeleri gerektiğini” nasıl öğreteceğiz? Yapay zekanın güvenli geleceği, ne kadar fazla veri bildiğinde değil, kendi sınırlarının ve kapasitesinin ne kadar farkında olduğunda gizli.

Kaynaklar:

1. H. Su et al., ‘A Survey on Autonomy-Induced Security Risks in Large Model-Based Agents’, IEEE Transactions on Pattern Analysis and Machine Intelligence, pp. 1–20, 2026.

2. https://spectrum.ieee.org/ai-reasoning-models-security-risk