<?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 Mehmet Fatih AKCA on Medium]]></title>
        <description><![CDATA[Stories by Mehmet Fatih AKCA on Medium]]></description>
        <link>https://medium.com/@mfakca?source=rss-4963a9aa13e4------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/2*bbBO-zW1fU-6qAzuJHfYHQ.png</url>
            <title>Stories by Mehmet Fatih AKCA on Medium</title>
            <link>https://medium.com/@mfakca?source=rss-4963a9aa13e4------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 17:41:44 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@mfakca/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[Aktivasyon Fonksiyonu]]></title>
            <link>https://medium.com/deeper-deep-learning-tr/aktivasyon-fonksiyonu-120769040f7b?source=rss-4963a9aa13e4------2</link>
            <guid isPermaLink="false">https://medium.com/p/120769040f7b</guid>
            <category><![CDATA[activation-functions]]></category>
            <category><![CDATA[aktivasyon-fonksiyonları]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[derin-ogrenme]]></category>
            <dc:creator><![CDATA[Mehmet Fatih AKCA]]></dc:creator>
            <pubDate>Wed, 17 Mar 2021 07:25:56 GMT</pubDate>
            <atom:updated>2021-03-17T12:18:02.813Z</atom:updated>
            <content:encoded><![CDATA[<h3>Aktivasyon Fonksiyonları</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zB_CE2Ufjavhupk-ABdWPQ.png" /></figure><blockquote><em>Bu yazı, </em><a href="http://www.adresgezgini.com/"><strong>AdresGezgini Ar-Ge Merkezi</strong></a><em>’nde gerçekleştirdiğimiz çalışmalar kapsamında yazılmıştır.</em></blockquote><p>Aktivasyon fonksiyonları, elimizdeki verileri belirli bir aralığa sıkıştırmak için kullanılan matematiksel fonksiyonlardır.</p><p>Aktivasyon Fonksiyonları hakkında detaylı açıklama için <a href="https://medium.com/deeper-deep-learning-tr/makine-%C3%B6%C4%9Frenmesi-terminolojisi-682c182ce1d5">buradaki yazımıza</a> bakabilirsiniz.</p><p>Örnek vermek gerekirse, normal sıcaklıktaki bir yüzeye dokunduğumuzda beynimiz bunun olağan bir durum olduğunu düşünüp tepki vermeyecektir. Aslında sinir hücrelerimiz olağan dışı bir sıcaklık algılamadığı için normal sinyaller gönderdi. Normal sinyaller de aktivasyon fonksiyonu sonucunda tepki verme durumunu tetikleyecek kadar önemli olmadığı için, aktivasyon fonksiyonu tetiklenmedi ve tepki verilmedi. Diğer taraftan, dokunduğumuz yüzey çok sıcak olsaydı, girdi değişkenimiz aktivasyon fonksiyonunu tetikleyecek ve biz ani tepki verecektik. Yani sinir hücrelerimiz beynimize bu durumunun önemli ve acil olduğunu belirtmek için büyük sinyaller yollayacak ve bu sinyaller aktivasyon fonksiyonundan geçerek refleks göstermemizi sağlayacaktı.</p><p>En çok kullanılan aktivasyon fonksiyonlarının birkaçına bakalım.</p><h3>ReLU Fonksiyonu:</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OYm3TRvzN0awzD3tvdjq4g.png" /></figure><p>ReLU diğer aktivasyon fonksiyonlarına göre oldukça kolaydır. Kısaca, girdi negatifse 0, pozitifse kendi değerini alır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*2mREx8f4OzU9o9BeBi406Q.png" /><figcaption>ReLU Fonksiyonu Formülü</figcaption></figure><ul><li>Diğer aktivasyon fonksiyonlarına göre daha hızlıdır. Bu yüzden sıkça kullanılır.</li></ul><p><strong>Neden daha hızlıdır:</strong></p><p>Sadece pozitif değerlerle ilgilenir, bu sayede eşit dağılmış bir veri setinde yarı yarıya daha az işlem yapar. Yaptığı işlem de kompleks olmadığı için hızını artırır.</p><ul><li>0 noktasında türevi hesaplanamaz, sol tarafa bakılır ve türev alınır.</li></ul><p><strong>Neden türevi hesaplanamaz:</strong></p><p>Türev hesaplamak için o noktanın limiti olmalı ve 3 şartı sağlamalıdır. Sol tarafının limitinin olması, sağ tarafının limitinin olması ve sağ ile sol limitinin birbirine eşit olması gerekmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/350/0*Ke6H1XpRZWMPU9i5.png" /><figcaption><a href="https://sebastianraschka.com/faq/docs/relu-derivative.html#:~:text=The%20reason%20why%20the%20derivative,point%2C%20the%20limit%20must%20exist.">Kaynak</a></figcaption></figure><p>Negatif değerler için türev 0 olacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/171/0*9JtqGcuU8bJJh-Fv.png" /><figcaption><a href="https://sebastianraschka.com/faq/docs/relu-derivative.html#:~:text=The%20reason%20why%20the%20derivative,point%2C%20the%20limit%20must%20exist.">Kaynak</a></figcaption></figure><p>Pozitif değerler için türev 1 olacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/284/0*oNkxA0nxiD9zxfqQ.png" /><figcaption><a href="https://sebastianraschka.com/faq/docs/relu-derivative.html#:~:text=The%20reason%20why%20the%20derivative,point%2C%20the%20limit%20must%20exist.">Kaynak</a></figcaption></figure><p>Grafik üzerinden bakacak olursak:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pw7r_Ki8sshaHdhZfX0zLw.png" /></figure><p>Yani 0 noktasının solundaki türev 0, sağındaki türev ise 1&#39;dir. Bu da 3. kuralı ihlal eder. Bu yüzden 0 noktasında türev hesaplanamaz. Bu durumda 0 noktasının türevi genellikle sol tarafa bakılarak 0&#39;mış gibi işlem yapılır. (0.5 veya 1 de olabilir.)</p><ul><li>Vanishing Gradient problemini hafifletir.</li></ul><p><strong>Vanishing Gradient Problemi nedir ve nasıl hafifletir:</strong></p><p>Vanishing Gradient Problemi, kısaca Aktivasyon fonksiyonlarının verileri belirli bir aralığa sıkıştırması ve bu sıkıştırılan aralığın küçük olması hatta türevinin daha da küçük olmasıdır. Dolayısıyla belirli bir süre sonra dikkate alınmayacak kadar küçük optimizasyon parametrelerine ulaşması ve modelin tam olarak öğrenememesi sorunudur. RNN’ler (Recurrent Neural Network) bu sorun yüzünden uzun metinlerde istenilen performansı veremez ve LSTM’in (Long-Short Term Memory) geliştirilmesindeki ana sebep budur. ReLU fonksiyonunun türevi yukarıdaki grafikte görüldüğü gibi negatif ise 0, pozitif ise 1&#39;dir. Yani optimizasyon kısmında ya 0 katsayısını alır ve yok olur ya da 1 katsayısını alır ve herhangi bir değişikliğe uğramaz. Bu sayede Vanishing Gradient Problemini hafifletmiş olur.</p><ul><li>Gerçek hayat problemi olarak <strong><em>yaş </em></strong>örneği verilebilir. Çünkü 0&#39;dan başlar ve artı sonsuza kadar gider.</li><li>Görüntü işleme problemlerinde sıkça kullanılır. Bunun nedeni piksellerin negatif değer almaması yani 0–255 arası değerler almasıdır.</li></ul><p>Negatif değerlere 0 vermesi bazen bizim avantajımızayken bazen bir sorun oluşturur. Mesela metin üzerinde duygu analizi yapılırken -1 etiketini karşılığının negatif olduğunu düşünelim. Bu durumda negatif etiketi silinmiş olacaktır. Bu sorunları aşmak için ReLU’nun birkaç varyasyonunu kullanabiliriz.</p><p><strong>Leaky ReLU:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*s7wGu_XpB1r7c0kja4h8RQ.png" /></figure><p>Formülü:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tvhscpKc_hUdar3RfQDNng.png" /></figure><p>ReLU’daki gibi pozitif ve 0 değerine dokunmaz ama negatif değerleri 0.01 ile çarparak konumlandırır. Kısmen negatifliği korumaya çalışır.</p><p><strong>Parametric ReLU:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7sjaEPsPlw-7A0xZez17eQ.png" /></figure><p>Formülü:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*y273x5PSna8KivEhz7VR7g.png" /></figure><p>Dışarıdan α parametresi alır, negatif değerleri onunla çarparak ReLU’da bahsetmiş olduğumuz negatif değerlerin göz ardı edilmesi sorununu çözer.</p><p><strong>ELU:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vezw268siZJuC_eJ__Fpgw.png" /></figure><p>Formülü:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yz_-gktm5Yb4CxfM98kLrg.png" /></figure><p>Exponential Linear Units (ELU) ortalama aktivasyon değerini sıfıra yaklaştırmaya çalışır, bu da öğrenmeyi hızlandırır.</p><h3>Sigmoid Fonksiyonu:</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*25ScDj3Py9jY_KWTUfK_-w.png" /></figure><p>Verileri 0 ve 1 aralığına sıkıştırır. Bu yüzden genellikle ikili (binary) sınıflandırmalarda veya çıktıyı olasılık olarak almak istediğimizde kullanırız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/334/1*IlHcD8FGK4eVUwVaT7C3tw.png" /><figcaption>Sigmoid Fonksiyonu Formülü</figcaption></figure><p>Formülü parçalayarak yakından bakalım.</p><p><strong>Neden e üzeri negatif:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/372/1*4awiVc-gAeZb9GIodASMpg.png" /></figure><p>Formülü biraz düzenledim ve ikisini de birlikte görmek için bir grafik çizdirdim. Üssü negatif almazsam göndermiş olduğum negatif değer için pozitif değer döndürürken, pozitif değer için negatif değer dönüyor. Bu istenilen bir şey değil.</p><p><strong>Neden payda kısmında:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/375/1*JL0tdohIHDTzkUvaI8wvBg.png" /></figure><p>Mavi ile turuncu arasında bir uçurum var. Kısaca 1+exp(-x)’nın payda kısmında yer alması 0 ve 1 arasına sıkışmasını sağlar.</p><p>e kullanarak üs almasının nedeni negatif değerlerden kurtulmaktır.</p><ul><li>Genelde yerini hızlı olmasından dolayı ReLU’ya bıraktı.</li><li>Türevi maksimum 0.25&#39;e çıkar.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2gD0C5zmNLqcz2cMF4nVnw.png" /></figure><p>Bu duruma dikkat edilmesi gerekir. Çünkü bu durum Vanishing Gradient Problemine neden olabilir.</p><ul><li>Çok sık tercih edilir.</li></ul><p><strong>Neden çok sık tercih edilir?</strong></p><p>İkili sınıflandırma yaparken her zaman eşik değerin 0.5 olmasını istemeyiz. Örnek vermek gerekirse, metinler üzerinde duygu analizi yapıyoruz ve nefret ile ilgili içerikleri sınıflandırıyoruz. Nefret uç bir duygu olduğu için eşik değeri daha yüksek bir noktaya çekmemiz bizim için daha doğru olacaktır. Sigmoid fonksiyonu ile çok kolay bir şekilde eşik değeri güncelleyip, güncellenmiş grafik üzerinden sınıflandırma yapabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*huRiRqwQmfkyCPgbeQ5yTg.png" /><figcaption>Eşik değeri 0.7</figcaption></figure><h3>Tanh Fonksiyonu:</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bSEojtfx_OwJDsjQQHFoEw.png" /></figure><p>Verileri -1 ve 1 aralığına sıkıştırır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/226/1*GeckM9f2t29Jvzq32XN7Aw.png" /><figcaption>Tanh Fonksiyonu Formülü</figcaption></figure><p><strong>Neden 2 ile çarpılıyor:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/370/1*kPaqoKD-D-PzR-UWGEIpCQ.png" /></figure><p>Bir şeyler değişti. Biraz abartarak 2 ile değil de 3 ile çarpsak veya 4 ile çarpsak ne olur diye düşünmüştüm.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/594/1*wqIUHUO9feH_x0tDtj4mYw.png" /></figure><p>Eğri git gide 0&#39;a yaklaşıyor ve dikleşiyor. Yani girdiye göre oluşan değişim git gide düşüyor. Diğer bir deyişle, verilen x değerine göre alınan sonuç değerindeki aralık daralıyor. Bu da ayrım yapabilme yeteneğini düşürür. Diğer taraftan x küçüldükçe eğri, neredeyse bir doğru haline geliyor. Bu iki dengeyi sağlayan 2 katsayısı olduğu için x’in -2 ile çarpıldığını düşünüyorum. Ayrıca bu grafik aşağıda belirttiğim, x arttıkça kıvrımlar keskinleşiyor maddesinin <strong><em>neden </em></strong>sorusuna da cevap veriyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/370/1*Orp7bO-vTSSaBrZWH_E7cA.png" /></figure><p>Sigmoid fonksiyonu ile benzerliğine bakmak istedim ve Sigmoid fonksiyonunun formülünü biraz değiştirdim. 0 ve 1 aralığında olduğu için 2 ile çarptım. Çarpım sonucu 0 ve 2 aralığında olduğu için 1 çıkartıp -1 ve 1 aralığına getirdim. Çıkan sonuç beni şaşırttı. 2 ile çarpılmayan eğri ile aynı sonuçları veriyorlar. Yani tanh fonksiyonu 2 ile çarpılmazsa, Sigmoid fonksiyonu ile arasındaki tek fark -1 ve 1 aralığında sıkıştırmış olması olacaktır.</p><ul><li>Daha geniş bir aralığa sıkıştırdığı için probleme bağlı olarak Sigmoid’ten daha yararlı olabilir.</li><li>x arttıkça kıvrımlar keskinleşir.</li><li>Input 0&#39;a yaklaştıkça türevi 1&#39;e yaklaşır. 0&#39;dan uzaklaştıkça türevi 0&#39;a yaklaşır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*f3XBKfd_chWFdP7RkLWe6g.png" /></figure><p>Aktivasyon fonksiyonları üzerinde biraz pratik yapmak gerektiğini düşünüyorum. Elleri kirletmek lazım. Bunun için bir Google Colab Notebook’u hazırladım.</p><p><a href="https://colab.research.google.com/drive/1uYWTJ5KQqkZb2Y35zgTilT4_6J2ftnla?usp=sharing">Google Colaboratory</a></p><h3>Özet:</h3><ol><li>Aktivasyon fonksiyonları, elimizdeki verileri belirli bir aralığa sıkıştırmak için kullanılan matematiksel fonksiyonlardır.</li><li>ReLU fonksiyonunda girdi negatifse 0, pozitifse kendi değerini alır. Vanishing Gradient Problemini hafifletir.</li><li>Sigmoid Fonksiyonu 0 ve 1 arasında değer döndürür. Genellikle Binary Classification işlemlerinde kullanılır.</li><li>Tanh Fonksiyonu -1 ve 1 arasında değer döndürür.</li></ol><p>Aktivasyon Fonksiyonu hakkında yazmış olduğum yazım bu kadardı. Okuduğunuz için teşekkür ederim.</p><p>Esen kalın.</p><h4>Yararlandığım Kaynaklar:</h4><p><a href="https://d2l.ai/index.html">Dive into Deep Learning - Dive into Deep Learning 1.0.3 documentation</a></p><p><a href="https://sebastianraschka.com/faq/docs/relu-derivative.html#:~:text=The%20reason%20why%20the%20derivative,point%2C%20the%20limit%20must%20exist">https://sebastianraschka.com/faq/docs/relu-derivative.html#:~:text=The%20reason%20why%20the%20derivative,point%2C%20the%20limit%20must%20exist</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=120769040f7b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deeper-deep-learning-tr/aktivasyon-fonksiyonu-120769040f7b">Aktivasyon Fonksiyonu</a> was originally published in <a href="https://medium.com/deeper-deep-learning-tr">Deeper Deep Learning TR</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Lojistik Regresyon Nedir? Nasıl Çalışır?]]></title>
            <link>https://mfakca.medium.com/lojistik-regresyon-nedir-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-4e1d2951c5c1?source=rss-4963a9aa13e4------2</link>
            <guid isPermaLink="false">https://medium.com/p/4e1d2951c5c1</guid>
            <category><![CDATA[sınıflandırma]]></category>
            <category><![CDATA[logistic-regression]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[lojistik-regresyon]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <dc:creator><![CDATA[Mehmet Fatih AKCA]]></dc:creator>
            <pubDate>Mon, 22 Feb 2021 16:02:32 GMT</pubDate>
            <atom:updated>2021-03-16T15:29:53.949Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/616/1*rRlnD_Teg21A_DsO9wgZzg.png" /><figcaption>Kaynak: <a href="https://sefiks.com/2017/01/21/sigmoid-function-as-an-activation-function/">https://sefiks.com/2017/01/21/sigmoid-function-as-an-activation-function/</a></figcaption></figure><p>Lojistik regresyon, isminde “<strong>regresyon</strong>” geçmesine rağmen bir <strong>sınıflandırma</strong> algoritmasıdır. Yani görseldeki hayvanın kedi mi, köpek mi olduğu veya verilmiş olan bilgilerin bir erkeğe mi yoksa bir kadına mı ait olduğunu tahmin etme gibi iki sınıflı sınıflandırma problemlerinde sıkça kullanılır.</p><p>Lojistik regresyonun, lineer regresyon ile arasındaki en büyük farkı iki sınıfı birbirinden ayıracak çizgiyi nasıl uyguladığıdır (fit). Lineer regresyon, optimum çizgiyi çizmek için “<strong><em>En Küçük Kareler Yöntemi</em></strong>” (Least Squares) kullanırken, lojistik regresyon “<strong><em>Maksimum Olabilirlik</em></strong>” (Maximum Likelihood) kullanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*FgUTutnPXhx92LqdQVcMcw.jpeg" /><figcaption>Kaynak: <a href="https://medium.com/@nesayan.saha/machine-learning-basics-logistic-regression-classification-254a8342d1b7">https://medium.com/@nesayan.saha/machine-learning-basics-logistic-regression-classification-254a8342d1b7</a></figcaption></figure><p>Lojistik regresyon, sınıflandırma yapmak için <strong><em>Sigmoid </em></strong>(Lojistik) Fonksiyonu kullanır. Sigmoid fonksiyonu “<strong><em>S</em></strong>” şeklinde bir eğridir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NloTSPs4pCMYDZ8G1kxhoQ.png" /><figcaption>Kaynak: <a href="https://towardsdatascience.com/derivative-of-the-sigmoid-function-536880cf918e">https://towardsdatascience.com/derivative-of-the-sigmoid-function-536880cf918e</a></figcaption></figure><h3>1. Sigmoid Fonksiyonu nedir?</h3><p>Sigmoid fonksiyonu basitçe, verilerimizi 0 ve 1 arasına sıkıştırmak için kullanılan fonksiyondur. Bu fonksiyon sayesinde sınıflandırma yapabiliriz. Derin Öğrenme içerisinde aktivasyon fonksiyonları altında da sıkça kullanılır.</p><h4><strong>Formülü:</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/975/1*wIvQJiFDV_QRUl-LEj7jMw.png" /><figcaption>Sigmoid Fonksiyonu Formülü</figcaption></figure><h4><strong>Bir örnek yapalım:</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/722/1*V6Hv_5Ag-tqh_t3QFi229w.jpeg" /></figure><p><strong>İşlemleri yapmamız için θ (katsayı/ağırlık) ve x (girdi değerleri) değerlerini almamız gerekiyor.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-o_N-YDVUepa_Z8YnE47mg.png" /></figure><p><strong>θ^Tx değerini buluyorum.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/942/1*yDNyUq5IHW0ZFTaA2AHtPQ.png" /></figure><p><strong>Yani 0,999983 olasılıkla sonuç 1 olur. Bu değer, Lojistik Regresyonun’un eşik değeri (threshold) olan 0.5&#39;in üzerinde olduğu için sınıflandırma sonucu 1 olur.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ni7Ba-s6pAvego_DGUZyYA.png" /><figcaption>θ^Tx &gt; 0 ise h(x)&gt;0.5&#39;tir ve tahmin edilen sınıfı 1 olur. Aksine θ^Tx &lt; 0 ise h(x)&lt;0.5&#39;tir ve tahmin edilen sınıfı 0 olur.</figcaption></figure><p>Rastgele verilmiş ağırlıklar üzerinden bir tahmin yaptık ama doğru (optimum) parametreleri nasıl buluyoruz? Hemen anlatayım.</p><h3>2. Doğru parametreleri nasıl buluyoruz?</h3><p>Öncelikle tekil bir sonuç için Maliyet (Cost) Fonksiyonuna bakalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BownRzpVu3lYLhWwUA61Zg.png" /><figcaption>Lojistik Regresyon için Maliyet (Cost) Fonksiyonu</figcaption></figure><p>Yani gerçek y değeri 1 ise üstteki, 0 ise alttaki formül kullanılıyor. Bu formülü tek satırda yazmak gerekirse:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fIsQ7hwJBUCE-aEqYNqKlQ.png" /></figure><p>Bu nasıl oluyor dediğiniz duyar gibiyim. Daha yakından bakalım. Eğer y = 1 ise ikinci kısımda, parantez içerisindeki 1-y’nin sonucu 0 olacak ve ikinci kısım 0 ile çarpıldığı için 0 sonucunu alacak ve elimizde sadece birinci kısım kalacak. Tam tersine, eğer y = 0 ise, birinci kısımda, eşittirin sağındaki y, birinci kısmı 0’a eşitleyecek ve elimizde sadece ikinci kısım kalacak.</p><p>Maliyet Fonksiyonuna bir grafik ile bakalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/928/1*6hAfFO3jR5L4HfsJ4VzK0Q.png" /><figcaption>X ekseninde “<strong><em>Tahmin Edilen Değer</em></strong>”, y ekseninde “<strong><em>Maliyet</em></strong>” var. Bu grafikte mavi renkli eğri <strong><em>-log(hθ(x))</em></strong>, kırmızı renkli eğri ise <strong><em>-log(1 — hθ(x))</em></strong>’in eğrisidir. Kaynak: <a href="https://datascience.stackexchange.com/questions/40982/logistic-regression-cost-function">https://datascience.stackexchange.com/questions/40982/logistic-regression-cost-function</a></figcaption></figure><p>Eğer y = 1, tahmin edilen değerde 1 ise cost (y ekseni) 0 olur ama y = 1 iken tahmin edilen değer 0 ise cost sonsuza gider. Diğer taraftan y = 0, tahmin edilen değerde 0 ise cost 0 olur ama y = 0 iken tahmin edilen değer 1 ise cost sonsuza gider. Bu şekilde yanlış yaptıklarını cezalandırabilir.</p><p>Bu formül bize tekil bir değer için sonuç verir. Bütün veri seti içerisinde değerlendirme yapmak için bu formülü biraz değiştirmemiz gerekecek.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dXtquq61d_USagec7q7aIw.png" /><figcaption>m = örnek sayısı</figcaption></figure><p>Bu kadar teori yeter, şimdi bunları uygulayalım.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/9a91d2584b8cfa83ee5f5adccb22d744/href">https://medium.com/media/9a91d2584b8cfa83ee5f5adccb22d744/href</a></iframe><p>Accuracy score: 0.96666…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*enFmq7V3pvuNkxnzxZnZbg.png" /><figcaption>Karmaşıklık Matrisi</figcaption></figure><p>Biraz da avantaj/dezavantajından bahsedelim.</p><h4>Avantajları:</h4><ol><li>Lojistik regresyonun uygulanması, yorumlanması kolaydır.</li><li>Veri seti doğrusal olarak ayrılabiliyorsa oldukça iyi performans gösterir.</li><li>Overfitting’e daha az meyillidir ama büyük veri setlerinde overfit olabilir.</li></ol><h4>Dezavantajları:</h4><ol><li>Gözlem sayısı özellik sayısından azsa, Lojistik Regresyon kullanılmamalıdır, aksi takdirde overfit olabilir.</li><li>Lojistik regresyonun ayrım yapabilmesi için veri setinin doğrusal olarak ayrılabiliyor olması lazım.</li></ol><p>Lojistik Regresyon bu kadardı. Okuduğunuz için teşekkür ederim.</p><p>Esen Kalın.</p><h3>Kaynaklar:</h3><ul><li><a href="https://www.coursera.org/learn/machine-learning">Supervised Machine Learning: Regression and Classification</a></li><li><a href="https://www.youtube.com/channel/UCtYLUTtgS3k1Fg4y5tAhLbw">StatQuest with Josh Starmer</a></li></ul><p><a href="https://www.datacamp.com/">https://www.datacamp.com/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4e1d2951c5c1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LSTM Nedir? Nasıl Çalışır?]]></title>
            <link>https://mfakca.medium.com/lstm-nedir-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-326866fd8869?source=rss-4963a9aa13e4------2</link>
            <guid isPermaLink="false">https://medium.com/p/326866fd8869</guid>
            <category><![CDATA[nlp]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[derin-ogrenme]]></category>
            <category><![CDATA[lstm]]></category>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[Mehmet Fatih AKCA]]></dc:creator>
            <pubDate>Mon, 04 Jan 2021 09:44:23 GMT</pubDate>
            <atom:updated>2021-02-07T21:19:07.920Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*c1kLNWQW4eFF48r7HfoukQ.jpeg" /></figure><p>RNN’ler (eğer okumadıysanız: <a href="https://medium.com/deep-learning-turkiye/rnn-nedir-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-9e5d572689e1">https://medium.com/deep-learning-turkiye/rnn-nedir-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-9e5d572689e1</a>) kısa cümleler üzerinde gayet iyi işler çıkartabilseler de, sıra uzun cümleler veya paragraflara geldiğinde pek bekleneni karşılamamakta. Bunun nedeni Vanishing (Kaybolma) Gradient Problemidir.</p><h3>Vanishing Gradient Problemi:</h3><p>Aktivasyon fonksiyonları sayesinde girdimizi belirli bir aralığa indirgeyebiliriz. Bu aralık genelde -1 ve 1 veya 0 ve 1 aralığıdır. Ufak bir alana indirgediğimiz için girdimizdeki büyük bir değişim aktivasyon fonksiyonunda o kadar büyük bir değişime yol açmayabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/950/1*4QUv7dYWT5J1SCHikbu3Zg.gif" /><figcaption>Sigmoid Fonksiyonu (kaynak:<a href="https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21">https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21</a>)</figcaption></figure><p>Dolayısıyla türevi de küçük olur. Eğer türevi çok küçükse, o katman yeteri kadar öğrenemez</p><blockquote>Daha detaylı bilgi için Gradient Descent adlı yazıma bakabilirsiniz: <a href="https://medium.com/deep-learning-turkiye/gradient-descent-nedir-3ec6afcb9900">https://medium.com/deep-learning-turkiye/gradient-descent-nedir-3ec6afcb9900</a></blockquote><p>RNN’de çok erken aşamalarda dahi bu durum gerçekleşebilir. Bu katmanlar öğrenmediği için, RNN’ler daha uzun metinlerde gördüklerini unutabilir ve böylece kısa süreli bir hafızaya sahip olurlar.</p><h3>Peki LSTM bu sorunu nasıl çözüyor?</h3><p>LSTM yapısı içerisindeki kapılar (gate) neyin hatırlanacağını, neyin unutulacağını belirler. Yani gelen girdi önemsizse unutulur, önemliyse bir sonraki aşamaya aktarılır. Bunu <strong><em>Gate</em></strong> ve <strong><em>Cell</em></strong><em> </em><strong><em>State</em></strong> yardımıyla yapar. Detaylı açıklayacak olursam:</p><h4>1-) Forget Gate (Unutma Kapısı):</h4><p>Hangi bilginin tutulacağı veya unutulacağına karar verir. Mantığı hiç karmaşık değil. Matematikte öğrendiğimiz gibi, bir sayı 0 ile çarpılırsa ne kadar büyük olursa olsun sonuç 0 olur. Burada da aynı mantıkla işlem yapılıyor. Unutmak için girdinin ağırlığına 0 verilir.</p><p>Bir önceki gizli katmandan gelen bilgiler ve güncel bilgiler Sigmoid Fonksiyonundan geçer. 0&#39;a ne kadar yakınsa o kadar unutulacak, 1&#39;e ne kadar yakınsa o kadar tutulacak demektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/950/1*uYRapcRjy3rrgmpChF8jcA.gif" /><figcaption>Forget Gate (Kaynak: <a href="https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21">https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21</a>)</figcaption></figure><h4>2-) Input Gate (Girdi Kapısı):</h4><p>Cell State’i güncellemek için kullanılır. Öncelikle Forget Gate’de (Unutma Kapısı) olduğu gibi Sigmoid fonksiyonu uygulanır, hangi bilginin tutulacağına karar verilir. Daha sonra ağı düzenlemek için Tanh fonksiyonu yardımıyla -1,1 arasına indirgenir ve çıkan iki sonuç çarpılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/950/1*EWfammOGJ4zaAYs9oB8AbQ.gif" /><figcaption>Input Gate (Kaynak: <a href="https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21">https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21</a>)</figcaption></figure><h4>3-) Cell State:</h4><p>Cell State’in hücre içerisindeki en önemli görevi bilgiyi taşımaktır. Taşınması gereken verileri alır ve hücre sonuna, oradan da diğer hücrelere taşır. Yani ağ üzerinde veri akışını Cell State yardımıyla sağlarız. İlk olarak Forget Gate’den (Unutma Kapısı) gelen sonuç ile bir önceki katmanın sonucu çarpılır. Daha sonra Input Gate’den (Girdi Kapısı) gelen değer ile toplanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/950/1*UWrTBTldBFsF7N7W_eve8A.gif" /><figcaption>Cell State (Kaynak: <a href="https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21">https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21</a>)</figcaption></figure><h4>4-) Output Gate (Çıktı Kapısı):</h4><p>Bir sonraki katmana gönderilecek değere karar verir. Bu değer, tahmin için kullanılır. Öncelikle bir önceki değer ile şu anki girdi Sigmoid fonksiyonundan geçer. Cell State’den gelen değer Tanh fonksiyonundan geçtikten sonra iki değer çarpılır ve bir sonraki katmana “Bir önceki değer” olarak gider. Cell State ilerler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/950/1*S9n8E_9MwvZUc6Nb0REpMw.gif" /><figcaption>Output Gate (Kaynak: <a href="https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21">https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21</a>)</figcaption></figure><p>Şu ana kadar anlattıklarım hücre içerisinde yapılan işlemlerdi. Daha geniş açıyla bakacak olursak:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*J5W8FrASMi93Z81NlAui4w.png" /></figure><p>LSTM, duygu analizi, metin üretme ve zaman serileri gibi birçok konuda kullanılır.</p><p>LSTM bu kadardı. Okuduğunuz için teşekkür ederim.</p><p>Esen Kalın.</p><h3>Kaynaklar:</h3><ul><li><a href="https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21">Illustrated Guide to LSTM’s and GRU’s: A step by step explanation</a></li><li><a href="https://colah.github.io/posts/2015-08-Understanding-LSTMs/">Understanding LSTM Networks</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=326866fd8869" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RNN Nedir? Nasıl Çalışır?]]></title>
            <link>https://medium.com/deep-learning-turkiye/rnn-nedir-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-9e5d572689e1?source=rss-4963a9aa13e4------2</link>
            <guid isPermaLink="false">https://medium.com/p/9e5d572689e1</guid>
            <category><![CDATA[derin-ogrenme]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[doğal-dil-işleme]]></category>
            <category><![CDATA[rnn]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <dc:creator><![CDATA[Mehmet Fatih AKCA]]></dc:creator>
            <pubDate>Sat, 21 Nov 2020 22:28:46 GMT</pubDate>
            <atom:updated>2020-11-25T18:05:08.184Z</atom:updated>
            <content:encoded><![CDATA[<h3>Nedir bu RNN?</h3><p>RNN’ler genelde bir sonraki adımı tahmin etmek için kullanılan bir çeşit Derin Öğrenme yapılarıdır. Diğer derin öğrenme yapılarından en büyük farkları ise <strong><em>hatırlamalarıdır</em></strong>. Evet, RNN’ler hatırlayabiliyor. Bir diğer farkları ise, diğer sinir ağlarında her girdi birbirinden bağımsız iken RNN’lerde girdiler birbiri ile ilişkilidir. Nasıl yani? RNN’ler bir sonraki adımı takip edebilmek için girdiler arasında ilişki kurarlar ve eğitilirken tüm ilişkilerini hatırlarlar.</p><h4>-Hatırlar dedin, bu nasıl oluyor?</h4><p>Hemen açıklayayım. RNN’ler kurmuş oldukları ilişkilerin kalıcı olması için kendi içlerinde dönen döngü benzeri bir yapı kullanırlar. Bunu anlamak için RNN yapısının görseline bakalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/333/1*cV071nffDpF4KKRsD8ZQCA.png" /><figcaption>Kaynak:<a href="https://medium.com/@vidishajitani25/recurrent-neural-network-maths-69214e4d69e1">https://medium.com/@vidishajitani25/recurrent-neural-network-maths-69214e4d69e1</a></figcaption></figure><p>Görselde olduğu gibi, çıkan sonuç aslında bir sonraki adımı besliyor. Daha rahat görebilmek için bu yapının açık haline bakalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rQYZEaQk_1cO99XnAYiy3Q.png" /><figcaption>Kaynak:<a href="https://medium.com/@vidishajitani25/recurrent-neural-network-maths-69214e4d69e1">https://medium.com/@vidishajitani25/recurrent-neural-network-maths-69214e4d69e1</a></figcaption></figure><p>Yani H_1 için X_0 girdisi ile elde edilen H_0 ve X_1kullanılıyor. Aynı şekilde ilerliyor.</p><h3>İşin Matematiği:</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/936/1*FJRo09feSR65n8cDTCmMAg.png" /><figcaption>formül 1.1</figcaption></figure><p><strong><em>h_t: Şu anki h değeri</em></strong></p><p><strong><em>h_t-1: Bir önceki h değeri</em></strong></p><p><strong><em>x_t: Şu anki girdi vektörü</em></strong></p><p>Bir aktivasyon fonksiyonu ile kullanımı:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BBv4hEHLrEtw8-fyleUfPw.png" /><figcaption>formül 1.2</figcaption></figure><p><strong><em>W: Ağırlık</em></strong></p><p><strong><em>h: Gizli katman</em></strong></p><p><strong><em>W_hh: Bir önceki gizli katmanın ağırlığı</em></strong></p><p><strong><em>W_hx: Şu anki gizli katmanın ağırlığı</em></strong></p><p><strong><em>tanh: Aktivasyon fonksiyonu</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/908/1*2PyZPhKkdaJreT-TV1Zk8g.png" /><figcaption>formül 1.3</figcaption></figure><p><strong><em>W_hy: Çıktı katmanının ağırlık değeri</em></strong></p><p><strong><em>y_t: Çıktı</em></strong></p><p>Eğer anlamadıysan hiç endişelenme. Çünkü şuan anlayacaksın.</p><p>Gün boyu dışarıdasın ve ev arkadaşın senin için yemek yapıyor ama bazı kuralları var. Yemekleri <strong><em>elmalı turta</em></strong>, <strong><em>hamburger </em></strong>ve <strong><em>tavuk </em></strong>sırasıyla yapıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EJMb4hW47JDcJ5sUo00JQQ.png" /><figcaption>Haftalık yemek sıralaması</figcaption></figure><p>Bir diğer kural olarak<strong><em> hava</em></strong> <strong><em>güneşliyse</em></strong> o da dışarı çıkıyor ve bir önceki gün yemek olarak ne yaptıysa aynısını yapıyor. Eğer <strong><em>hava yağmurluysa</em></strong> dün yaptığı yemeği değiştiriyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/982/1*FKSL3Anwq-0tVvV5w659sg.png" /><figcaption>Hava durumuna göre yaptığı yemek</figcaption></figure><p>Şimdi işleri biraz kızıştıralım. İki kuralı da aynı anda uygulayalım ve bir haftalık programı çıkartalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8XDPu6fSD9ilL9aleddZwg.png" /></figure><p>Pazartesi, sıradaki ilk yemek olan elmalı turta ile başlıyor. Salı günü hava güneşli olduğu için yemeği değiştirmez ve bir önceki gün ne yaptığına bakarak aynısını yapar (Yapacağı yemeği karar vermek için hava durumuna ve bir önceki gün ne yaptığına bakarak karar vermesi RNN’e benzemiyor mu? 😲). Çarşamba günü hava yağmurlu, yani dün yapmış olduğu yemeği değiştirmesi gerekiyor. Bir önceki gün yapmış olduğu elmalı turtaya bakarak bugün hamburger yapması gerektiğine karar veriyor.</p><p><strong><em>Perşembe =&gt; Yağmurlu Hava (Yemeği değiştir) + Hamburger = Tavuk</em></strong></p><p><strong><em>Cuma =&gt; Güneşli Hava (Yemek aynı kalsın) + Tavuk = Tavuk</em></strong></p><p><strong><em>Cumartesi =&gt; Güneşli Hava (Yemek aynı kalsın) + Tavuk = Tavuk</em></strong></p><p>Bu denklemler ne kadar da<strong><em> formül 1.1</em></strong>&#39;e benziyor.</p><p>Pazar günü için:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*B7ALVQI66mZRSgMdEvciIw.png" /></figure><h3>Avantajları:</h3><p>1-) Bir önceki örnek ile ilişki kurar. Bu sayede girdiler unutulmadan ilerlenir.</p><p>2-) Kullanım alanı çok geniştir. (<em>Metin ve ses verileri, sınıflandırma problemleri, regresyon problemleri, üretken (generative) modellerde kullanılır</em><strong><em>.</em></strong>)</p><h3>Dezavantajları:</h3><p>1-) Gradient vanishing /exploding problemleri. (Yakın zamanda bunun hakkında bir yazı gelecek.)</p><p>2-) Uzun girdileri işlemekte zorlanır.</p><h3>Özet:</h3><p>1-) RNN’ler önceki girdileri hatırlar ve her girdi için ilişki kurar.</p><p>2-) Kendi içerisinde dönen bir döngü gibi çalışır.</p><p>3-) Kendi içerisinde de işlemler yapıldığı için, genelde çok derin RNN yapıları kurulmaz.</p><p>RNN bu kadardı. Okuduğunuz için teşekkür ederim.</p><p>Esen Kalın.</p><h3>Kaynaklar:</h3><ul><li><a href="https://www.coursera.org/learn/natural-language-processing-tensorflow">Natural Language Processing in TensorFlow</a></li><li><a href="https://www.youtube.com/channel/UCgBncpylJ1kiVaPyP-PZauQ">Serrano.Academy</a></li><li><a href="https://www.geeksforgeeks.org/introduction-to-recurrent-neural-network/">Introduction to Recurrent Neural Networks - GeeksforGeeks</a></li><li><a href="https://stanford.edu/~shervine/teaching/cs-230/cheatsheet-recurrent-neural-networks">CS 230 - Recurrent Neural Networks Cheatsheet</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9e5d572689e1" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/rnn-nedir-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-9e5d572689e1">RNN Nedir? Nasıl Çalışır?</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Gradient Descent Nedir?]]></title>
            <link>https://medium.com/deep-learning-turkiye/gradient-descent-nedir-3ec6afcb9900?source=rss-4963a9aa13e4------2</link>
            <guid isPermaLink="false">https://medium.com/p/3ec6afcb9900</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[gradient-descent]]></category>
            <category><![CDATA[makine-öğrenimi]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[optimizasyon]]></category>
            <dc:creator><![CDATA[Mehmet Fatih AKCA]]></dc:creator>
            <pubDate>Mon, 14 Sep 2020 14:42:44 GMT</pubDate>
            <atom:updated>2020-09-15T12:50:47.251Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*lKfrlBtBaxRFCQPd3EDDkw.png" /><figcaption>Kaynak: <a href="https://www.researchgate.net/figure/Example-of-a-nonlinear-optimization-problem-with-the-humpback-function-as-objective_fig1_260790215">https://www.researchgate.net/figure/Example-of-a-nonlinear-optimization-problem-with-the-humpback-function-as-objective_fig1_260790215</a></figcaption></figure><p>Optimizasyon; problemdeki en iyi sonucu bulmak için uygulanan metodlara denir. Örneğin kurduğumuz modelin tahminleri sonucu elde ettiğimiz değerlerden hesaplanan Ortalama Hatalar Karesi sonucu 1500 ise bunu daha aşağıya çekmeye çalışır. Bu yazımda size, makine öğrenmesi problemlerinde en çok kullanılan optimizasyon algoritmalarından biri olan <strong><em>Gradient Descent</em></strong>’i anlatmaya çalışacağım.</p><h3>Gradient Descent (Gradyan Azalma)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*e0H1-P3ZyPrl4udmybKeDw.png" /></figure><p>Gradient Descent (Gradyan Azalma), rastgele alınan değişkenlerle başlayarak global minimum değerine ulaşmayı amaçlar. Adım adım anlatmak gerekirse:</p><p>1-) Her parametre için Kayıp Fonksiyonun (loss function) türevini al.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/585/1*vK-8Z5hA6THmA1SUFgMXsw.png" /></figure><p>2-) Parametreler için rastgele değerler topla ve toplanan değerleri parametrelere gönder.</p><p>3-)Adım büyüklüğü (step size) hesapla.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-Vv3G99r4w4OLcLW3fi8Cw.png" /></figure><p>4-) Yeni parametreyi hesapla.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zVyEugC4UDRgDeMw0xJXbA.png" /></figure><p>5-) Minimum seviyeye ulaşasıya kadar 2. adıma dön.</p><p>Beraber bir örnek yapalım.</p><h3>1. Adım: Her parametre için Kayıp Fonksiyonun (loss function) türevini alır.</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/585/1*sRaGUeTUbbmDQdTSiff_TA.png" /></figure><h3>2. Adım: Parametreler için rastgele değerler topla ve toplanan değerleri parametrelere gönder.</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*K-QLYB9r3zU8zByt-hLm3A.png" /></figure><p>y kesişim için 0, Eğim için 1&#39;i seçiyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8gKtjsC3GDQ2oXhfQDQ5Eg.png" /></figure><h3>3. Adım: Adım büyüklüğü (step size) hesapla.</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sLJ278IgFMgPnftl0ffzsg.png" /></figure><h3>4. Adım: Yeni parametreyi hesapla.</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*M6KOEDra79hFXBLOG7cnhg.png" /></figure><h3>5. Adım: Minimum seviyeye ulaşasıya kadar 2. adıma dön.</h3><p>Bu adım için Python ile yazılmış bir script kullandım.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/a09ba0728d5e96b187937bc8beee73d0/href">https://medium.com/media/a09ba0728d5e96b187937bc8beee73d0/href</a></iframe><p>Birinci adımdan 1000. adıma kadar olan değişiklikleri görmek için birkaçını ekrana yazdırdım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/254/1*X6bo5JjUh4-JCXQfYPosWA.png" /></figure><p>Bu değerlerden oluşan doğruların değişimini daha rahat görmek için bunu bir tablo üzerinde görselleştirdim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1hPlVcKv_E0VJd8mXf9R3A.png" /><figcaption>Griden turuncuya doğru adım sayısı artıyor.</figcaption></figure><p>Bu modelde 1000. adımdan sonra modelimiz durur. Bir dakika! Neden?</p><p>Gradyan Azalmanın durması için ya adım büyüklüğünün sıfıra çok yaklaşması gerekir (adım büyüklüğü&lt; 0,001 olmalı) ya da daha önceden adım sayısını sınırlandırabiliriz (genellikle 1000 sayısı kullanılır). Örnekte adım büyüklüğü 0&#39;a çok yaklaşıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nmVX_9h5VTsajG47ZuIHJQ.png" /></figure><h4>Peki ya Öğrenme Oranını artırırsak ne olur?</h4><p>Bunu size göstermek için yukarıdaki scripte öğrenme oranına 1 göndererek çalıştırıyorum.</p><p>Sonuçlar:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/277/1*wvvNAzTjSwppV8GGS2-nmQ.png" /></figure><p>İlk 3 adımı tablo üzerinde görselleştiriyorum. Diğer adımlara gerek kalmadan yanlış bir şeyler olduğunun farkına varmış olacaksınız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ndUNw1Sn41s-gInBrsVVJw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*F3uFAP9E4ORPF1b_4b57XQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*x2XDxKwPOPozvVezNbw9cA.png" /></figure><p>Çizdiğimiz doğru noktalara yaklaşmak yerine onlardan uzaklaşıyor. Sonuç olarak MSE (Ortalama Hatalar Karesi) giderek artıyor.</p><p>Öğrenme oranının çok küçük olması da optimum sonuca ulaşma süremizi gereksiz yere uzatır.</p><p>Öğrenme oranlarını karşılaştırmak adına:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*a0TQc5UwIwajbQBD6r3EEw.png" /></figure><p>Buradaki 3 veri ile bu işlemleri yapmak oldukça kolaydı. Peki ya oldukça büyük bir veri seti ile işlem yapmak istediğimizde bütün işlemleri çok uzun sürmeyecek mi?</p><p>-Evet, çok uzun sürecek, ama onunda bir çözümü var.</p><p>Şuana kadar anlattığım Gradient Descent, <strong><em>Batch Gradient Descent</em></strong> olarak geçiyor ve tüm veri setinde işlem yapıyor. Bu durum, veri setimiz büyükse bizi yavaşlatır. Bunun yerine <strong><em>Stochastic Gradient Descent </em></strong>veya <strong><em>Mini-Batch Gradient Descent </em></strong>kullanabiliriz.</p><h3><strong><em>Stochastic Gradient Descent:</em></strong></h3><p>Her adımda rastgele alınan 1 veri üzerinde işlem yapar. Noktalar sürekli değişerek optimum noktaya ulaşmayı amaçlar. Batch Gradient Descent’e göre daha hızlıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*9uoUzBx_08jcoPgb8CyMLA.png" /><figcaption>Kaynak: <a href="https://www.researchgate.net/figure/Stochastic-gradient-descent-compared-with-gradient-descent_fig3_328106221">https://www.researchgate.net/figure/Stochastic-gradient-descent-compared-with-gradient-descent_fig3_328106221</a></figcaption></figure><p>Stochastic Gradient Descent ile iyi bir sonuca ulaşılır ama optimum sonuca ulaşılamayabilir.</p><h3>Mini-Batch Gradient Descent:</h3><p>Veri seti içerisinden rastgele alınan örneklemler ile öğrenir. Diğer ikisinden daha hızlıdır. Stochastic Gradient Descent’e göre daha dengeli ilerler, onun kadar çok savrulmaz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/908/1*Ta1p2_KLXrSOH1BexnGTuw.png" /><figcaption>Batch Gradient Descent, Stochastic Gradient Descent, Mini-Batch Gradient Descent’ in nasıl ilerlediğini karşılaştırmalı olarak gösteren bir görsel. Kaynak: <a href="https://towardsdatascience.com/gradient-descent-algorithm-and-its-variants-10f652806a3">https://towardsdatascience.com/gradient-descent-algorithm-and-its-variants-10f652806a3</a></figcaption></figure><p>Gradient Descent bu kadardı. Okuduğunuz için teşekkür ederim.</p><p>Esen Kalın.</p><h3>Kaynaklar:</h3><p><a href="https://www.researchgate.net/post/What_is_the_meaning_of_the_word_optimization_in_research">https://www.researchgate.net/post/What_is_the_meaning_of_the_word_optimization_in_research</a></p><p><a href="https://www.researchgate.net/figure/Stochastic-gradient-descent-compared-with-gradient-descent_fig3_328106221">https://www.researchgate.net/figure/Stochastic-gradient-descent-compared-with-gradient-descent_fig3_328106221</a></p><ul><li><a href="https://suniljangirblog.wordpress.com/2018/12/13/variants-of-gradient-descent/">Variants of Gradient Descent</a></li><li><a href="https://www.youtube.com/c/joshstarmer">StatQuest with Josh Starmer</a></li><li><a href="https://www.oreilly.com/library/view/hands-on-machine-learning/9781491962282/">Hands-On Machine Learning with Scikit-Learn and TensorFlow</a></li><li><a href="https://www.youtube.com/user/stanfordonline/">stanfordonline</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3ec6afcb9900" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/gradient-descent-nedir-3ec6afcb9900">Gradient Descent Nedir?</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Karar Ağaçları (Makine Öğrenmesi Serisi-3)]]></title>
            <link>https://medium.com/deep-learning-turkiye/karar-a%C4%9Fa%C3%A7lar%C4%B1-makine-%C3%B6%C4%9Frenmesi-serisi-3-a03f3ff00ba5?source=rss-4963a9aa13e4------2</link>
            <guid isPermaLink="false">https://medium.com/p/a03f3ff00ba5</guid>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[karar-ağaçları]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[bilgisayar]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <dc:creator><![CDATA[Mehmet Fatih AKCA]]></dc:creator>
            <pubDate>Mon, 07 Sep 2020 10:18:28 GMT</pubDate>
            <atom:updated>2020-11-23T10:28:40.658Z</atom:updated>
            <content:encoded><![CDATA[<p>Karar ağaçları, Sınıflandırma ve Regresyon problemlerinde kullanılan, ağaç tabanlı algoritmadan biridir. Karmaşık veri setlerinde kullanılabilir.</p><h4>Karar Ağaçlarını Tanıyalım</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wM5M_xlWvudYMpuc6ZQQGw.png" /><figcaption>Karar Ağacı (Decision Tree) (Görsel 1)</figcaption></figure><p>Karar ağaçlarının ilk hücrelerine <strong>kök</strong> (root veya root node) denir. Her bir gözlem kökteki koşula göre “Evet” veya “Hayır” olarak sınıflandırılır.</p><p>Kök hücrelerinin altında <strong>düğümler </strong>(interval nodes veya nodes)<strong> </strong>bulunur. Her bir gözlem düğümler yardımıyla sınıflandırılır. Düğüm sayısı arttıkça modelin karmaşıklığı da artar.</p><p>Karar ağacının en altında <strong>yapraklar </strong>(leaf nodes veya leaves) bulunur. Yapraklar, bize sonucu verir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HVATElrX5IvUxwnloFGG0g.jpeg" /><figcaption>(Görsel 2)</figcaption></figure><h4>Peki ya kök hücreyi nasıl seçiyoruz?</h4><p>Burada seçeceğimiz kökün veri setimizi olabildiğince çok açıklamasını isteriz. Örneğin yukarıdaki örnek karar ağacına bakarsak, bu kişi için iş teklifinde en önemli etken maaşmış.</p><p>Köke tabi ki biz karar vermiyoruz. Buna karar vermek için çeşitli değerler var. Bunlardan bazıları:</p><h3>Gini: Alt kümenin saflık değeri</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/332/1*UWJ1P7dX7AoMXtK8WNBKSg.png" /><figcaption>(Görsel 3)</figcaption></figure><p>pj, j sınıfının gerçekleşme olasılığıdır. Her sınıf için hesaplanır ve çıkan sonuçların karelerinin toplamı birden çıkartılır. Gini değeri 0 ile 1 arasında bir sonuç alır ve sonuç 0’a ne kadar yakınsa o kadar iyi ayrım yapmış olur.</p><p>Daha anlaşılır olması için ilk önce Gini değerinin nasıl hesaplandığını anlatacağım. Daha sonra Karar Ağaçları içerisindeki kullanımından bahsedeceğim.</p><p>Elimizde Kırmızı ve Mavi renkte 4 topumuz olduğunu varsayalım;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SqhiJAITHy0oxn0-hRk5gQ.png" /><figcaption>(Görsel 4)</figcaption></figure><p>Şimdi Karar Ağaçlarına bakalım. Bakalım düğümlerimiz veri setimizi nasıl ayırabiliyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4XmQsUceJxDOyXl-qpuOOQ.png" /></figure><p>Kök (root) hücreyi bulabilmek için her düğüm için Gini değerini hesaplamamız gerekiyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Kzr5uChg-OkYSTnufkjxUA.png" /><figcaption>Maaş için Gini değerinin hesaplanması</figcaption></figure><p>Maaş için inceleyelim. Öncelikle “Evet/Hayır” olarak ağacımızı ikiye ayırıyoruz. Maaş 50.000 $’dan fazla olduğunda; 512 kişinin 478&#39;i işi kabul ederken 34 kişi işi reddediyor. Ardından 1 - maaş 50.000 $’dan yüksek iken işin kabul edilme olasılığı - maaş 50.000 $’dan yüksek iken işin reddedilme olasılığı işlemini yaparak cevabı “Evet” olanların Gini değerini bulmuş oluyoruz. Aynı işlemi cevabı “Hayır” olanlar için tekrarlıyoruz. Son olarak (işi kabul edenlerin veri setindeki oranı * işi kabul edenlerin Gini değeri) + (işi reddedenlerin veri setindeki oranı * işi reddedenlerin Gini değeri) işlemini yapıyoruz ve maaş için 0,1278 değerini buluyoruz.</p><p>Diğerleri içinde aynı işlemleri yapıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UPYazsIqm_kkTEIqGQbM1g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WFL9ctgSg1dLq2eZ8Glh-w.png" /><figcaption>Ulaşım ve Kahve için Gini değerinin hesaplanması</figcaption></figure><p>Değerlere baktığımızda 0&#39;a en yakın olanın Maaş olduğunu görüyoruz. Bu bize Maaş düğümü ile yapılan ayrımın veri setini diğerlerine göre daha iyi ayrıştırdığını gösteriyor. Bu yüzden kök (root) hücre olarak Maaş düğümünü seçiyoruz.</p><p><strong><em>Kök hücreden sonra hangisinin geleceğini de aynı şekilde karar veriyoruz. Örnek olması için:</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/963/1*tBHO7AhHIA7SXP24KvQy-A.png" /><figcaption>İç düğümlerin seçilmesi için Gini değerinin hesaplanması</figcaption></figure><h3>Entropy: Temel fikir, bir gruplamanın bozukluğunu hedef değişkene göre ölçmektir ama bunu log2 tabanında yapar.</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/290/1*c15nL3Rwc87_pWa1ynlTnw.png" /></figure><p>Gini ile arasında çok büyük bir fark yoktur. Entropi daha dengeli bir ağaç çıkarmaya meyilli iken Gini, frekansı fazla olan sınıfı ayrıştırmaya meyillidir.</p><h3>Eğitim Algoritmaları:</h3><p>Scikit-learn Karar Ağaçlarını eğitirken CART (Classification and Regression Tree) algoritmasını kullanır. Bu algoritma veri setini ikiye ayırarak ayrıştırmaya çalışır. Diğer algoritmalar ile karşılaştırmak için şöyle bir tablo oluşturdum:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/922/1*DkeK2f2mU4inY9tp0QlfvQ.png" /></figure><h3>Hiperparametreler:</h3><p>Aşırı uyum (overfitting) veya öğrenememe(underfitting) gibi sorunlarla karşı karşıya iseniz hiperparametre değerleri ile biraz oynamanız gerekebilir.</p><p><strong><em>max_depth</em></strong>= Karar Ağacının maksimum derinliğini ifade eder. Değer girilmezse limitsiz olur. Model overfit(aşırı uyum) olmuşsa düşürülmesi gerekir.</p><p><strong><em>min_samples_split</em></strong>=Bir düğümün bölünmeden önce sahip olması gereken minimum örnek sayısıdır.</p><p><strong><em>min_samples_leaf</em></strong>=Bir yaprağın sahip olması gereken minimum örnek sayısıdır.</p><p><strong><em>min_weight_fraction</em></strong>= min_samples_leaf’e benzer.Ağırlıklı örneklerin, toplam örnekler içerisindeki oranı. Ağacın dengeli gitmesi için kullanılır.</p><p><strong><em>max_leaf_nodes</em></strong>= Maksimum yaprak sayısı.</p><p><strong><em>max_features</em></strong>= En iyi bölünmeyi ararken göz önünde bulundurulması gereken featureların sayısı.</p><h3>Özet:</h3><p>1-) Sınıflandırma ve Regresyon problemlerinde çok çıktılı bir şekilde çalışabilir.</p><p>2-)Karmaşık veri setlerinde kullanılabilir.</p><p>3-) Scale etmeye ve çok fazla Veri Ön İşleme’ye gerek duymaz.</p><p>4-) Kök hücreyi seçerken veri setini mümkün olduğunca anlamlı şekilde ayrıştırabilen sütun seçilmeye çalışır. (Görsel 2’deki maaş gibi)</p><p>5-) Karar Ağacı, önceden tanımlanmış olan <strong><em>max_depth</em></strong> hiperparametresine ulaştığında veya daha saf bir alt küme elde edemediğinde durur.</p><p>6-) Gini ve Entropi arasında çok büyük bir fark yoktur. Entropi daha dengeli bir ağaç çıkarmaya meyilli iken Gini frekansı fazla olan sınıfı ayrıştırmaya meyillidir.</p><p>7-) Model overfit (aşırı uyum) olmuşsa genellikle önce <strong><em>max_depth</em></strong> hiperparametresi düşürülür.</p><p>Karar Ağaçları bu kadardı. Okuduğunuz için teşekkür ederim.</p><p>Esen Kalın.</p><h3>Kaynaklar:</h3><ul><li><a href="https://www.oreilly.com/library/view/hands-on-machine-learning/9781491962282/">Hands-On Machine Learning with Scikit-Learn and TensorFlow</a></li><li><a href="https://www.youtube.com/c/joshstarmer">StatQuest with Josh Starmer</a></li><li><a href="https://scikit-learn.org/stable/">scikit-learn</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a03f3ff00ba5" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/karar-a%C4%9Fa%C3%A7lar%C4%B1-makine-%C3%B6%C4%9Frenmesi-serisi-3-a03f3ff00ba5">Karar Ağaçları (Makine Öğrenmesi Serisi-3)</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Nedir Bu Destek Vektör Makineleri? (Makine Öğrenmesi Serisi-2)]]></title>
            <link>https://medium.com/deep-learning-turkiye/nedir-bu-destek-vekt%C3%B6r-makineleri-makine-%C3%B6%C4%9Frenmesi-serisi-2-94e576e4223e?source=rss-4963a9aa13e4------2</link>
            <guid isPermaLink="false">https://medium.com/p/94e576e4223e</guid>
            <category><![CDATA[svm]]></category>
            <category><![CDATA[sınıflandırma]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[destek-vektör-makineleri]]></category>
            <dc:creator><![CDATA[Mehmet Fatih AKCA]]></dc:creator>
            <pubDate>Tue, 25 Aug 2020 08:25:23 GMT</pubDate>
            <atom:updated>2020-08-26T17:01:31.954Z</atom:updated>
            <content:encoded><![CDATA[<p>Destek Vektör Makineleri (Support Vector Machine) genellikle sınıflandırma problemlerinde kullanılan gözetimli öğrenme yöntemlerinden biridir. Bir düzlem üzerine yerleştirilmiş noktaları ayırmak için bir doğru çizer. Bu doğrunun, iki sınıfının noktaları için de maksimum uzaklıkta olmasını amaçlar. Karmaşık ama küçük ve orta ölçekteki veri setleri için uygundur.</p><p>Daha açıklayıcı olması için görsel üzerinde tekrar inceleyelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/569/1*OGs3M3e9zPDfRaVx2BRoPg.png" /></figure><p>Tabloda siyahlar ve beyazlar olmak üzere iki farklı sınıf var. Sınıflandırma problemlerindeki asıl amacımız gelecek verinin hangi sınıfta yer alacağını karar vermektir. Bu sınıflandırmayı yapabilmek için iki sınıfı ayıran bir doğru çizilir ve bu doğrunun ±1&#39;i arasında kalan yeşil bölgeye Margin adı verilir. Margin ne kadar geniş ise iki veya daha fazla sınıf o kadar iyi ayrıştırılır.</p><p>Formüle bakacak olursak:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/395/1*vFJs39qUz-VIuanwxCqPcg.png" /></figure><p>Aslında değişen pek bir şey yok. w; ağırlık vektörü (θ1), x; girdi vektörü, b; sapmadır (θ0). Yeni bir değer için çıkan sonuç 0&#39;dan küçükse, beyaz noktalara daha yakın olacaktır. Tam tersi, çıkan sonuç 0&#39;a eşit veya büyükse, bu durumda siyah noktalara daha yakın olacaktır.</p><h4>Hard Margin vs Soft Margin</h4><p>Marginimiz her zaman bu şekilde olmayabilir. Bazen örneklerimiz Margin bölgesine girebilir. Buna Soft Margin denir. Hard Margin, verimiz doğrusal olarak ayrılabiliyorsa çalışır ve aykırı değerlere karşı çok duyarlıdır. Bu yüzden bazı durumlarda Soft Margin’i tercih etmemiz gerekebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/552/1*yWtPGQrfiNDlcD0AJjdpiA.png" /></figure><p>İkisi arasındaki dengeyi SVM içerisindeki C hiperparametresi ile kontrol edebiliriz. C ne kadar büyükse Margin o kadar dardır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3lpLsxrE1GLEzz-IXIUscg.png" /></figure><p>Ayrıca model overfit olursa C’yi azaltmamız gerekir.</p><h3>Kernel Trick</h3><p>Düşük boyutlar karmaşık veri setlerini açıklamada yeterli olmayabilir. Boyutu arttırsak işlemler artacağı için çok uzun sürer. İşte Kernel Trick burada devreye giriyor. Elimizdeki koordinatları belirli Kernel Fonksiyonları ile çarparak çok daha anlamlı hale getirebiliyoruz.</p><p>Bu yöntemlerden en çok kullanılan ikisini detaylı olarak açıklayacağım.</p><h4><strong><em>1-) Polynomial Kernel:</em></strong></h4><p>Bu yöntemde problemimizi çözmek için 2 boyuttan çıkıp 3 veya daha fazlası boyutta işlem yapıyormuş gibi hareket ediyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*NKaQXNMyjRWHblfpAFu_QA.png" /></figure><p>Soldaki (2 boyut) dağılımı bir doğru ile sınıflandıramayız. Bunun için bu gibi problemlerde Polynomial Kernel’i kullanabiliriz. 3. boyutta işlem yaparken sınıflara ayırmak için doğru yerine bir düzlem kullanılırız ve çok daha düzgün bir şekilde sınıflandırabiliriz.</p><p>Modelimiz overfit olmuşsa derecesini düşürmeniz, underfit olmuşsa derecesini yükseltmeniz gerekir. Ayrıca coef0 hiperparametresiyle modelinizin yüksek dereceli denklemlerden ne kadar etkileneceğini ayarlayabilirsiniz(sadece ‘poly’ ve ‘sigmoid’ kernelda etkili olur).</p><h4>2-) Gaussian RBF (Radial Basis Function) Kernel:</h4><p>Anlaması biraz güç olabilir ama sonsuz boyuttaki Destek Vektör Makinelerini bulur ve her bir noktanın belirli bir noktaya ne kadar benzediğini normal dağılım ile hesaplar, ona göre sınıflandırır. Dağılımın genişliğini gamma hiperparametresi ile kontrol ederiz. <strong><em>Gamma </em></strong>ne kadar küçükse dağılım o kadar geniş olur. C hiperparametresindeki gibi, model overfit olmuşsa gamma değerini düşürmemiz, model underfit olmuşsa gamma değerini yükseltmemiz gerekir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/793/1*dth2KN4f4z8RMN4VDbD7cw.png" /></figure><p>Veri setiniz aşırı büyük değilse genellikle RBF Kernel tercih edilir.</p><h3>ÖZET:</h3><p>1-) Destek Vektör Makineleri (SVM), düzlem üzerindeki noktaların bir doğru veya hiper düzlem ile ayrıştırılması ve sınıflandırılmasıdır.</p><p>2-) Küçük veya orta büyüklükteki veri setleri için uygundur. <a href="https://img2018.cnblogs.com/blog/1012590/201903/1012590-20190331154556010-1429301307.png">Scale’e duyarlıdır.</a> Scale edilmesi gerekir.</p><p>3-) <a href="https://cdn-images-1.medium.com/max/800/1*yWtPGQrfiNDlcD0AJjdpiA.png">Hard Margin ve Soft Margin</a> arasındaki dengeyi C ile kontrol edebiliriz.<a href="https://cdn-images-1.medium.com/max/800/1*3lpLsxrE1GLEzz-IXIUscg.png"> C büyüdükçe Margin daralır.</a></p><p>4-) Model overfit olursa C’nin azlatılması gerekir.</p><p>5-) 2 boyutta açıklanamayan değişimleri boyut arttırarak çözüyormuş gibi yapılan hilelere Kernel Trick denir.</p><p>6-) 2 boyutta açıklayamadığımız veri setimizi daha fazla boyutta açıklamak için kullanılan Kernel Trick metoduna <a href="https://cdn-images-1.medium.com/max/800/1*NKaQXNMyjRWHblfpAFu_QA.png">Polynomial Kernel</a> denir.</p><p>7-) Model overfit olursa derecesi düşürülür, underfit olursa derece yükseltilir. Coef0 hiperparametresi ile yüksek dereceli denklemlerden ne kadar etkileneceğini ayarlayabilirsiniz.</p><p>8-) Her bir noktanın belirli bir noktaya ne kadar benzediğini normal dağılım ile hesaplayan, ona göre sınıflandıran Kernel Trick metoduna RBF Kernel denir.</p><p>9-) <a href="https://cdn-images-1.medium.com/max/800/1*dth2KN4f4z8RMN4VDbD7cw.png">Dağılım genişliğini kontrol ettiğimiz gamma değeri ne kadar küçükse dağılım o kadar geniş olur.</a> Model overfit olmuşsa gamma değerini düşürmemiz, model underfit olmuşsa gamma değerini yükseltmemiz gerekir.</p><p>10-)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/1*5khbKJz6BNtHEwImzGnyCg.png" /></figure><h3><strong>SVM Uygulama:</strong></h3><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/7072988fd82c93dbe49ccbe467d85a06/href">https://medium.com/media/7072988fd82c93dbe49ccbe467d85a06/href</a></iframe><p>Destek Vektör Makineleri bu kadardı. Okuduğunuz için teşekkür ederim.</p><p>Esen Kalın.</p><h4>Kaynaklar:</h4><ul><li><a href="https://www.oreilly.com/library/view/hands-on-machine-learning/9781491962282/">Hands-On Machine Learning with Scikit-Learn and TensorFlow</a></li><li><a href="https://www.youtube.com/channel/UCtYLUTtgS3k1Fg4y5tAhLbw">StatQuest with Josh Starmer</a></li><li><a href="https://scikit-learn.org/">scikit-learn</a></li><li><a href="https://www.datacamp.com/community/tutorials/svm-classification-scikit-learn-python#tuning">(Tutorial) Support Vector Machines (SVM) in Scikit-learn</a></li></ul><p><a href="http://web.mit.edu/6.034/wwwbob/svm-notes-long-08.pdf">http://web.mit.edu/6.034/wwwbob/svm-notes-long-08.pdf</a></p><p><a href="https://www.researchgate.net/figure/An-example-of-SVM-classification-An-example-of-SVM-classification_fig1_336085357">https://www.researchgate.net/figure/An-example-of-SVM-classification-An-example-of-SVM-classification_fig1_336085357</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=94e576e4223e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/nedir-bu-destek-vekt%C3%B6r-makineleri-makine-%C3%B6%C4%9Frenmesi-serisi-2-94e576e4223e">Nedir Bu Destek Vektör Makineleri? (Makine Öğrenmesi Serisi-2)</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Her şeyiyle Lineer Regresyon (Makine Öğrenmesi Serisi-1)]]></title>
            <link>https://medium.com/deep-learning-turkiye/her-%C5%9Feyiyle-lineer-regresyon-makine-%C3%B6%C4%9Frenmesi-serisi-1-1ee2aec10b74?source=rss-4963a9aa13e4------2</link>
            <guid isPermaLink="false">https://medium.com/p/1ee2aec10b74</guid>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[linear-regression]]></category>
            <category><![CDATA[lineer-regresyon]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[regression-analysis]]></category>
            <dc:creator><![CDATA[Mehmet Fatih AKCA]]></dc:creator>
            <pubDate>Sun, 16 Aug 2020 02:07:59 GMT</pubDate>
            <atom:updated>2020-12-03T11:38:54.789Z</atom:updated>
            <content:encoded><![CDATA[<h3>Her Şeyiyle Lineer Regresyon (Makine Öğrenmesi Serisi-1)</h3><p>Öncelikle merhaba. Makine öğrenmesi, yapay zeka gibi konularla ilgilenmeye başladığınızda ilk adım olarak Lineer Regresyon gösterilir. Çünkü diğer algoritmalara göre anlaşılması ve mantığını kavramak daha kolaydır. Kolay olmasına rağmen halen bir çok noktada Lineer Regresyon veya türevleri kullanılarak oldukça büyük işler yürütülüyor. Bu yüzden bu metodu öğrenmek oldukça önemlidir. Bu yazımda, elimden geldiğince kolay ve anlaşılır bir şekilde Lineer Regresyonu sizlere aktarmaya çalışacağım.</p><h3>Nedir bu Lineer Regresyon?</h3><p>İki veya daha fazla değişken arasındaki ilişkinin bir doğru ile gösterilmesine Lineer Regresyon denir. Ortaya çıkışı 1800&#39;lerin başına dayanır. Peki bu ne demek?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/909/1*Q4LiZZqUe2SuwoZA3N3QPA.png" /></figure><p>Tabloda açıkça elma eksenindeki bir elmanın fiyat eksenindeki 2 ₺’ye karşılık geldiği görülüyor. Bu da demek oluyor ki bir elmanın fiyatı 2 ₺. 2 elma 4 ₺, 3 elma 6 ₺, 4 elma ise 8 ₺. Tabi ki 0 elma da 0 ₺.</p><p>Gerçek hayata daha yakın bir örneğe bakmak gerekirse ev fiyatları ile metrekare ilişkisine göz atalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/704/1*dvEWHFp9QrwD2cHRbLpR5A.png" /></figure><p>Burada da 50 metrekare bir evin fiyatının 50.000 ₺, 100 metrekare bir evin fiyatının 100.000 ₺, 150 metrekare bir evin fiyatının 150.000 ₺ ve 200 metrekare bir evin fiyatının 200.000 ₺ olduğunu okuyabiliyoruz. Tabi ki incelediğimiz verilerin dağılımı genelde bu kadar düzenli olmuyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/704/1*GFbOqcYz7NTP3_90Qs4eQw.png" /></figure><p>Bu tablodan değer okumamız daha zor. Ama Lineer Regresyon bize yardımcı oluyor ve bir doğru çiziyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/704/1*FZQGmiaImZcVywfZ87un_g.png" /></figure><p>Çizilen doğru sayesinde her şey çok daha rahat görülebilmektedir. Yanındaki yazılanlara gelecek olursak; y doğrunun formülü, R² ise bağımsız (metrekare) değişkenin bağımlı (fiyat) değişkenini açıklayabilme skorudur. Yani metrekare değişkeni, fiyat üzerindeki değişimi %94 oranında açıklayabiliyor. Doğrunun denklemini daha rahat anlaşılması için formülü ayrıca anlatacağım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/862/1*mR7SDvESSkrwvnGkZ4r0YQ.png" /></figure><p><strong>Ŷ</strong>, bu formül üzerinden bizim <strong>tahmin etmeye çalıştığımız y değeri</strong>. Ŷ değeri ile gerçek y değeri arasındaki fark ne kadar az ise tahminimiz o kadar gerçeğe yakındır(spoiler).</p><p><strong>b</strong>, çizdiğimiz doğrunun <strong>eğim</strong>idir. Basitçe, y eksenindeki değişim / x eksenindeki değişim olarak düşünebilirsiniz. Negatif yönlü bir korelasyon varsa eğim negatif olur ve doğru aşağı doğru iner.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/77/1*sxGNqQyn5oyA_fH2FOtpSw.png" /></figure><p>r korelasyon katsayısı, sy y’nin standart sapması, sx x’in standart sapmasıdır.</p><p><strong>α</strong>, x değeri sıfır iken y’nin aldığı değerdir, yani x sıfırken y eksenini kestiği noktadır.</p><p>Her şey tamam. Artık doğru çizebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/704/1*1Q32Mqn6LUI3qOXtXH4k3g.png" /></figure><p>Bir dakika! Niye sarı doğrulardan biri değilde siyah doğru çıktı. Bunun nedeni, çizilen doğrunun, kırmızı noktalara ne kadar yakın olursa o kadar iyi tahmin etmesinden kaynaklanıyor. Yani doğrumuz kırmızı noktalardan ne kadar uzaklaşırsa yaptığımız tahminlerde gerçek değerlerden o kadar uzaklaşıyor. Bu yüzden olabildiğince yakın olmasını istiyoruz. Aradaki farkı hesaplamak için birkaç farklı formül var ama genelde <strong>Ortalama Hatalar Karesi</strong> (Mean Squared Error) kullanılıyor. Formülü de şu şekilde:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/634/1*k34VPhcncWOmkMw3RQHjdw.png" /></figure><p>Peki Ortalama Hatalar Karesini kullandık ama optimum doğru denklemine erişebilmek için sürekli eğimi ve y-kesişim noktasını değiştirip tekrar tekrar mı hesaplayacağız? Hayır tabi ki! Bunun için iki metod var:</p><p><strong>1-) Gradient Descent (Gradyan Azalma):</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/1*uvxTL2oFnZRA5jAN5i35Sw.png" /></figure><p>Formül korkutucu gözüküyor olabilir. Aslında gayet kolay bir mantığı var. Rastgele değişkenlerle başla α(learning rate) oranında diğer taraflara ilerle, eğer hata değeri azalıyorsa adımlarını ufalta ufalta devam et. Durdurmak için başlangıçta devam edeceği adım sayısı verilir veya adımdaki değişikliğin 10^–3&#39;in altına inmesi beklenir. Bir çok algoritmanın optimize edilmesi için kullanılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3t8kGBbRZl8mp5pa-zuIKA.png" /></figure><blockquote>Gradient Descent hakkında daha detaylı bilgi edinmek için: <a href="https://medium.com/deep-learning-turkiye/gradient-descent-nedir-3ec6afcb9900">https://medium.com/deep-learning-turkiye/gradient-descent-nedir-3ec6afcb9900</a></blockquote><p><strong>2-)Normal Equation:</strong></p><p>Bu yöntem sadece Lineer Regresyonda uygulanabilir. Sütun sayısı az olduğunda Gradient Descent’e göre daha hızlı sonuç verir. Bu yöntemdense Gradient Descent daha yaygındır. Formülü şu şekilde:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/329/1*xVkjBmbHteA0QbXi8OgHlA.jpeg" /></figure><blockquote>Normal Equation hakkında daha detaylı bilgi edinmek için: <a href="https://towardsdatascience.com/performing-linear-regression-using-the-normal-equation-6372ed3c57">https://towardsdatascience.com/performing-linear-regression-using-the-normal-equation-6372ed3c57</a></blockquote><p>Lineer Regresyon bu kadardı. Okuduğunuz için teşekkür ederim.</p><p>Esen Kalın.</p><p>Kaynaklar:</p><ul><li><a href="https://en.wikipedia.org/wiki/Linear_regression">Linear regression - Wikipedia</a></li><li><a href="https://www.mathsisfun.com/algebra/line-equation-point-slope.html#:~:text=What%20About%20y%20%3D%20mx%20%2B%20b,line%20crosses%20the%20y%2Daxis.">Point-Slope Equation of a Line</a></li><li><a href="https://www.dummies.com/education/math/statistics/how-to-calculate-a-regression-line/">How to Calculate a Regression Line - dummies</a></li><li><a href="https://towardsdatascience.com/linear-regression-using-gradient-descent-97a6c8700931">Linear Regression using Gradient Descent</a></li><li><a href="https://towardsdatascience.com/performing-linear-regression-using-the-normal-equation-6372ed3c57">Performing Linear Regression Using the Normal Equation</a></li><li><a href="https://www.coursera.org/learn/machine-learning">Supervised Machine Learning: Regression and Classification</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1ee2aec10b74" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/her-%C5%9Feyiyle-lineer-regresyon-makine-%C3%B6%C4%9Frenmesi-serisi-1-1ee2aec10b74">Her şeyiyle Lineer Regresyon (Makine Öğrenmesi Serisi-1)</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile Merkezi Limit Teoremi Uygulaması]]></title>
            <link>https://medium.com/deep-learning-turkiye/python-ile-merkezi-limit-teoremi-uygulamas%C4%B1-44b9e3cb4a73?source=rss-4963a9aa13e4------2</link>
            <guid isPermaLink="false">https://medium.com/p/44b9e3cb4a73</guid>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[istatistik]]></category>
            <category><![CDATA[statistics]]></category>
            <dc:creator><![CDATA[Mehmet Fatih AKCA]]></dc:creator>
            <pubDate>Wed, 22 Jul 2020 22:50:02 GMT</pubDate>
            <atom:updated>2020-07-24T19:16:25.843Z</atom:updated>
            <content:encoded><![CDATA[<h3>Merkezi Limit Teoremi Nedir?</h3><p>Merkezi Limit Teorimi , bir seriden (serinin normal dağılmasına gerek yoktur) rastgele alınan örneklemlerin(alınan örneklemin boyutunun=n 30&#39;dan büyük olması gerekir) ortalamasının serinin ortalaması etrafında normal dağılacağını ifade eder. Alınan örneklem sayısı arttıkça (n) normal dağılıma yaklaşır (Kalabalığın Bilgeliği / Wisdom of the Crowd).</p><h3>Neder Önemlidir?</h3><p>Merkezi Limit Teoremi tanımda bahsettiğim gibi alınan örneklemlerin ortalamasının serinin ortalaması etrafında normal dağılmasıdır. Bu teorem sayesinde anormal durumlar yakalanabilir. Örnek vermek gerekirse nabzınız anormal bir şekilde alçak veya yüksekse bunu Merkezi Limit Teoremi ile yakalayabilirsiniz.</p><h3>Python Uygulaması</h3><p>Öncelikle seri oluşturalım.<br>0 ile 100 arasında rastgele seçilmiş 5000 elemanlı bir seri oluşturuyorum.</p><pre>data = np.random.randint(101,size=5000)</pre><p>Serimizi seaborn yardımı ile görselleştirelim.</p><pre>#Histogram oluşturuyor.<br>sns.distplot(data,bins=101)</pre><pre>#x ve y sütununa etiket ekliyor.<br>plt.xlabel(&#39;Number&#39;)<br>plt.ylabel(&#39;Probability&#39;)</pre><pre>#Oluşan histogramı ekrana yazdırıyor.<br>plt.show()</pre><p>Çıktı:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/1*7EiZazYbFQ8oych2yYemYw.png" /></figure><p>Serimizin ortalamasını yazdıralım.</p><pre>print(f&quot;Mean: {data.mean()}&quot;)</pre><p>Çıktı:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/107/1*Z6wcB72iy1tTHE4dolQeuw.png" /></figure><p>Buradan anlıyoruz ki Merkezi Limit Teorimine göre örneklemlerimizin ortalaması 49.32 etrafında normal dağılacak.</p><p>Sıra geldi örneklem almaya. Öncelikle örneklemlerin ortlamasını toplamak için means adında bir liste oluşturuyorum.Ardından 1000 kere rastgele örneklem almak için, döngü yardımı ile her seferinde rastgele 100 değer alıyorum ve rastgele alınan her örneklemin ortalamasını means listesine ekliyorum.</p><pre>means=[]</pre><pre>for i in range(1,1000):<br>    <br>    means.append(np.random.choice(data,size=100).mean())</pre><p>Elde ettiğim listeyi seaborn yardımı ile görselleştiriyorum.</p><pre>#Histogram oluşturuyor.<br>sns.distplot(means)</pre><pre>#x ve y sütununa etiket ekliyor.<br>plt.xlabel(&#39;Mean&#39;)<br>plt.ylabel(&#39;Probability&#39;)</pre><pre>#Oluşan histogramı ekrana yazdırıyor.<br>plt.show()<br></pre><p>Çıktı:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/392/1*5Xs17QxmwMcPTtVYMtxqPg.png" /></figure><p>Görselden anlaşıldığı gibi serimiz normal dağılmış olmasa bile rastgele alınan örneklemlerin ortalaması normal dağılmaktadır.</p><p>Rastgele oluşturulmuş serinin dağılımı üzerindeyse bu şekilde gözüküyor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/393/1*OlkL_g_j6tHmBXpziGNUBQ.png" /></figure><p>Merkezi Limit Teoremi göründüğü üzere oldukça kolaydır, buna karşın birçok analizin temelinde bu teorem yatmaktadır.</p><p>Esen Kalın.</p><p>Kaynaklar:</p><ul><li><a href="https://statisticsbyjim.com/basics/central-limit-theorem/">Central Limit Theorem Explained - Statistics By Jim</a></li><li><a href="https://en.wikipedia.org/wiki/Wisdom_of_the_crowd">Wisdom of the crowd</a></li><li><a href="https://blog.industryolog.com/merkezi-limit-teoremi/">Merkezi Limit Teoremi</a></li><li><a href="https://tr.m.wikipedia.org/wiki/Merkez%C3%AE_limit_teoremi">Merkezî limit teoremi</a></li><li><a href="https://www.leanofis.com/6-sigma/merkezi-limit-teoremi-ve-normal-dagilim.html">Merkezi Limit Teoremi ve Normal Dağılım</a></li><li><a href="https://www.probabilitycourse.com/chapter7/7_1_2_central_limit_theorem.php">Central Limit Theorem</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=44b9e3cb4a73" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/python-ile-merkezi-limit-teoremi-uygulamas%C4%B1-44b9e3cb4a73">Python ile Merkezi Limit Teoremi Uygulaması</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sınıflandırma Problemlerindeki Metrikler]]></title>
            <link>https://medium.com/deep-learning-turkiye/s%C4%B1n%C4%B1fland%C4%B1rma-problemlerindeki-metrikler-33ee5f30f8eb?source=rss-4963a9aa13e4------2</link>
            <guid isPermaLink="false">https://medium.com/p/33ee5f30f8eb</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[classification]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[sınıflandırma]]></category>
            <category><![CDATA[confusion-matrix]]></category>
            <dc:creator><![CDATA[Mehmet Fatih AKCA]]></dc:creator>
            <pubDate>Mon, 27 Apr 2020 00:53:14 GMT</pubDate>
            <atom:updated>2020-05-16T12:22:32.275Z</atom:updated>
            <content:encoded><![CDATA[<h3>Confusion Matrix (Karmaşıklık Matrisi)</h3><blockquote>Karmaşıklık matrisini dümdüz anlatmaktansa “<a href="https://www.youtube.com/watch?v=gKWktweAZb0"><strong>Yalancı Çoban</strong></a>” hikayesi ile anlatmak yeni başlayan kişilerin daha iyi anlamasını sağladığını düşünüyorum.</blockquote><p>Çoban, eğittiğimiz modele, kurt ise bağımlı değişkenimizin sınıfına karşılık geliyor.</p><p>Toplam 4 ihtimal vardır:</p><p><strong>1-) True Positive (TP): </strong>Modelimiz (Çoban) “Kurt var!” der ve gerçekte de kurt vardır. Modelimizin <strong><em>doğru </em></strong>tahmin ettiği ihtimallerden biridir.</p><p><strong>2-) True Negative (TN): </strong>Modelimiz (Çoban) “Kurt yok” der ve kurt yoktur. Modelimizin <strong><em>doğru </em></strong>tahmin ettiği ihtimallerden biridir.</p><p><strong>3-) False Positive (FP): </strong>Modelimiz (Çoban) “Kurt var!” der ama kurt yoktur. Modelimizin <strong><em>yanlış </em></strong>tahmin ettiği ihtimallerden biridir.</p><p><strong>4-) False Negative (FN): </strong>Modelimiz (Çoban) “Kurt yok” der ama kurt vardır. Modelimizin <strong><em>yanlış </em></strong>tahmin ettiği ihtimallerden biridir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9w8_qYQdcbzn7nuzYcO1GA.png" /></figure><p><strong><em>Accuracy = Doğru Tahminlerin Sayısı / Tüm Tahminlerin Sayısı</em></strong></p><p>Accuracy değerini dikkate almak her sınıfta eşit sayıda gözlem varsa mantıklı olabilir. Bunun dışında oldukça yanıltıcıdır. Örneğin yukarıdaki modelin accuracy değerini hesaplayalım.</p><p><strong><em>Accuracy= (1+90) / (1+90+1+8) = 0.91</em></strong></p><p>Bu değer gayet güzel gibi görünebilir ama sayılara tekrar bakıldığında kurdun 9 kez geldiğini ve sadece 1 kez doğru tahmin edildiğini fark edebilirsiniz. Bu çok kötü bir sonuç. Halbuki Accuracy skorumuz %91&#39;di.</p><p><strong><em>Precision = Pozitif olarak tahmin edilenlerin gerçekte kaçta kaçı doğru.</em></strong></p><p><strong><em>Precision = TP /(TP+FP)</em></strong></p><p><strong><em>Precision = 1 / (1+1) = 0.5</em></strong></p><p><strong><em>Recall = Model, pozitif classların kaçta kaçını yakalayabiliyor.</em></strong></p><p><strong><em>Recall = TP / (TP+FN)</em></strong></p><p><strong><em>Recall = 1 / (1 + 8) = 0.11</em></strong></p><p>Bu metriklerin önemi, modeli hangi amaçla geliştirdiğinize göre değişim göstermektedir. Örneğin evinizi korumak için, hırsızları yakalamak üzere eğittiğiniz modelde <strong><em>Recall </em></strong>değeri çok önemlidir. <strong><em>Recall </em></strong>değeri oldukça yüksek olmalıdır. Tam tersine, diğer hayvan fotoğrafları arasından kedi fotoğraflarını ayırabilen modelde, daha fazla kedi fotoğrafını yakalamak için <strong><em>Recall </em></strong>değeri esnetilebilir.</p><h3><strong>F1 Score</strong></h3><p>F1 Score,Precision ve Recall değerlerinin ağırlıklı (harmonik) ortalamasıdır.</p><p><strong><em>F1 Score = 2 * (Recall * Precision) / (Recall+ Precision)</em></strong></p><p>F1 Score, özellikle eşit olmayan bir sınıf dağılımınız varsa, Accuracy değerinden daha kullanışlı olabilir.</p><p><strong><em>F1 Score = 2 * (0.11 * 0.5) / (0.11 + 0.5) = 0,18</em></strong></p><h3>ROC ve AUC</h3><p>Sınıflandırma problemlerinde olasılık değerini sınıflandırmak için eşik değere (threshold) ihtiyaç duyulur. Örneğin 0.5 gibi; Sonuçları, 0.5&#39;in altı ve 0.5&#39;in üstü olacak şekilde böler. <strong><em>ROC Curve</em></strong>, eşik değerinin performansını gösteren eğridir. Tablonun x ekseninde FP Rate, y ekseninde ise TP Rate (Recall) vardır.</p><p><strong><em>TPR = TP / (TP + FN) (Sensitivity olarak da biliniyor.)</em></strong></p><p><strong><em>FPR = FP / (FP + TN) (1-Specificity olarak da biliniyor.)</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/576/1*MIQXB9LDkPoHunwEXOa8Cg.png" /></figure><p>ROC eğrisinin altında kalan yere AUC (Area Under the ROC Curve) denir. Positive Class’ı Negative Class’tan ne kadar ayırabildiğini verir. Alan arttıkça ayrım yeteneği artar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rxw6u8CCMib4RgZCwWFtgw.png" /></figure><p>Esen Kalın.</p><p>Bana ulaşmak isterseniz.</p><p><a href="http://www.mfakca.com/">www.mfakca.com</a></p><p>Kaynaklar:<br><a href="https://developers.google.com/machine-learning/crash-course/classification/accuracy">https://developers.google.com/machine-learning/crash-course/classification/accuracy</a></p><p><a href="https://towardsdatascience.com/metrics-to-evaluate-your-machine-learning-algorithm-f10ba6e38234">https://towardsdatascience.com/metrics-to-evaluate-your-machine-learning-algorithm-f10ba6e38234</a></p><p><a href="https://blog.exsilio.com/all/accuracy-precision-recall-f1-score-interpretation-of-performance-measures/">https://blog.exsilio.com/all/accuracy-precision-recall-f1-score-interpretation-of-performance-measures/</a></p><p><a href="http://bilgisayarkavramlari.sadievrenseker.com/2010/09/30/f1-degerlendirme-f1-scoring/">http://bilgisayarkavramlari.sadievrenseker.com/2010/09/30/f1-degerlendirme-f1-scoring/</a></p><p><a href="https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5">https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=33ee5f30f8eb" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/s%C4%B1n%C4%B1fland%C4%B1rma-problemlerindeki-metrikler-33ee5f30f8eb">Sınıflandırma Problemlerindeki Metrikler</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>