Denetimli ve Denetimsiz Öğrenme Nedir?
Geçtiğimiz günlerde Makine Öğrenmesi’nin belirli problemleri bizim için çözebildiğini ve hayatımıza bu yüzden kolaylık sağlayabildiğini anlattık.
Örneğini verdiğimiz problemde, değerini öğrenmek istediğimiz Evin niteliklerini girdiğimizde bize evin değerini tahmin eden bir modelden bahsettik. Bu problem regresyon modeliyle kolaylıkla aşılabilir.
Peki ya Makine Öğrenmesi sadece regresyon modellerinden mi ibaret?
Cevap; Elbette hayır. Bunu öğrenmemiz için Makine Öğrenmesinin alt dalları olan Denetimli ve Denetimsiz Öğrenme konularını incelememiz şart.
Denetimli Öğrenme
Denetimli öğrenme, Makine öğrenmesi modelimizin neyi öğrenmesi gerektiğini bildiğimiz, bunu girdi olarak kendimizin verdiği, başka bir deyişle “denetlediğimiz” Makine Öğrenmesi modelidir.
Denetimli Öğrenme algoritmalarının çeşitleri ve kullanım senaryoları aşağıdaki gibidir;
I. Regresyon
Elimizde Taksilerle alakalı bir veri seti olduğunu düşünelim.
Veri setimizde Müşteriyi alış tarihi, bırakış tarihi, kaç yolcu olduğu, yolcuğuluğun ne kadar tuttuğu, yolculuğun mesafesi, ne kadar bahşiş verildiği, toplamda ne kadar ödendiği, ödemenin ne ile yapıldığı ve müşteriyi aldığımız bölge ile bıraktığımız bölge üzerine bilgiler mevcut.
Bu veri setimizde tahmin etmek istediğimiz değişkeni olarak “tip” değişkeni yani bahşiş değişkeni kabul edelim. Kalan tüm bilgilere bakarak bahşiş değişkenini tahmin etmek istiyoruz.
Bahşiş değişkeni sürekli değişkendir. Yani bir kategori belli etmeyen, değer alabilme özelliğine sahip bir değişkendir.
Hedefimizin sürekli değişken olduğu zamanlarda kullanacağımız Denetimli Öğrenme metodu Regresyon Metodudur.
Regresyon Algoritmalarına teker teker uygulamalı olarak ilerleyen günlerde bakacağız.
II .Sınıflandırma
Elimizde Üç farklı çiçek türünün özelliklerini barındıran bir veri seti olduğunu düşünelim.
Veri setimizde çiçeklerin Sepal ve Petal adlı farklı yaprakların uzunluk ve genişliklerini aynı zamanda da çiçeğin hangi familyadan olduğunu belirten bilgiler mevcut.
Bu veri setimizde ise bu bilgilere bakarak çiçeğin hangi familyadan olduğunu tahmin edebilecek bir model geliştirmek istediğimizi varsayalım. Yani tahmin etmek istediğimiz değişken “species” değişkenidir.
“species” değişkeni kategorik değişkendir. Yani belli bir değer alabilme özelliğine sahip olmadan, kategori/sınıf belirten değişkendir.
Hedefimizin kategorik değişken olduğu zamanlarda kullanacağımız Denetimli Öğrenme metodu Sınıflandırma Metodudur.
Sınıflandırma algoritmaları konularını her birisi ayrı anlatıma sahip olmak üzere ilerleyen zamanlarda ele alacağız.
Denetimsiz Öğrenme
Denetimli öğrenme, Makine öğrenmesi modelimizin neyi öğrenmesi gerektiğini bilmediğimiz veya bilmesini istemeden öğrenmesini istediğimiz, başka bir deyişle neyi öğrenmesi gerektiğini “denetlemediğimiz” Makine Öğrenmesi modelidir.
Denetimsiz Öğrenme, Denetimli öğrenme algoritmalarına karşın tek bir çeşidi vardır. Bu Algoritmaların adı ise Kümeleme’dir.
Kümeleme
Öğrenme hedefimizin tanımlanmadığı senaryolarda algoritmanın neyin ne olduğunu kendince tanımlayıp sınıflandırma yaptığı makine öğrenmesi algoritmalarına Kümeleme diyoruz.
Elimizde aynı sınıflandırma örneğinde olduğu gibi çiçek veri setinin olduğunu ama sınıflandırma örneğinden farklı olarak bu kez “species” değişkeninin tanımlanmadığı veya sildiğimizi düşünelim.
Sadece geriye kalan bağımsız değişkenlerin algoritmaya verildiği ve bundan kümeleme şeklinde bir çıkarım beklediğimiz durumlarda Kümeleme algoritmalarını kullanıyoruz.
Umarım Denetimli ve Denetimsiz Öğrenmenin farkını ve alt başlıklarını anlatabilmişimdir.
Daha Fazlası için Takip etmeyi ve alkışlamayı unutmayın. Bir sonraki konumuzda Derin Öğrenme ve alt başlıklarını inceleyeceğiz.
