Makine Öğrenmesi ile Çarpma: En Basit Anlatım

Makine öğrenmesi algoritmaları, akıllı sistemlerin verilerden öğrenmesini sağlar. Ancak bu teknoloji karmaşık görünebilir. Bu çalışmada, makine öğrenmesi ile çarpma işlemi üzerinden en basit anlatımla açıklayacağız. Bununla birlikte, makine öğrenmesi kavramlarını somutlaştıracağız. Random Forest algoritmasını kullanarak geliştireceğimiz model, temel matematik işlemlerinden biri olan çarpmayı nasıl öğrenebileceğini gösterecek.

Modelimiz için iki girdi (A ve B sütunları) ve bir çıktı (C sütunu) içeren bir veri seti oluşturacağız. C sütunu, A ve B’nin çarpımını içerecek.

Makine öğrenmesinin temel prensiplerinden biri, veriyi eğitim ve test setlerine ayırmaktır. Veri setimizin %80’ini (40 örnek) eğitim için, %20’sini (10 örnek) ise test için kullanacağız. Bu ayrım, modelimizin gerçek dünya verilerinde nasıl performans göstereceğini anlamamızı sağlar. 

Random Forest, birden fazla karar ağacının bir araya gelerek oluşturduğu güçlü bir topluluk öğrenme algoritmasıdır. Her bir ağaç, veri setinin farklı bir alt kümesi üzerinde eğitilir ve kendi tahminlerini yapar. Final tahmini ise tüm ağaçların tahminlerinin ortalaması alınarak belirlenir.

Veri kümesi, satırlar (bu çalışmada 50 satır) ve bunlara karşılık gelen sınıf etiketlerinden (A ve B olarak 2 sütun) oluşur. Eğitim sürecinde, Çoklu Karar Ağaçları oluşturulur. Her ağaç, verilerin rastgele bir alt kümesi (önyükleme örnekleme) ve özelliklerin rastgele bir alt kümesi üzerinde eğitilir. Bu yöntem, torbalama (bagging) olarak bilinir.

Her ağaç bağımsız tahmin yapmayı öğrenir ve yeni bir örnekle karşılaştığında tahminde bulunur. Sonuç olarak, tüm ağaçların tahminleri birleştirilerek nihai karar verir Bu işlem, sınıflandırmada çoğunluk oyu, regresyonda ise (biz bu çalışmada regresyon, yani tahminleme yaptık) ortalama alınarak gerçekleştirilir.

Modelimizi eğittikten sonra, tahminlerimizin ne kadar doğru olduğunu ölçmemiz gerekiyor. Bunun için MAPE (Mean Absolute Percentage Error) kullanacağız. MAPE, tahminin ne kadar yakın veya uzak olduğunu gösteren basit bir yöntemdir. Kısaca şöyle çalışır: Gerçek değerden tahmin edilen değeri çıkarır, farkı yüzdelik olarak hesaplar ve bu farkların ortalamasını alır.

MAPE skoru ne kadar düşükse, modelin doğruluğu o kadar yüksektir. Aşağıdaki grafikte, 10’dan 2000’e kadar üretilen veri setinin MAPE sonuçları gösterilmektedir. 1000’den sonra hata değerinin stabil hale geldiği gözlemlenmektedir.

Bu grafik, bir regresyon modelinin gerçek değerler ile tahmin edilen değerler arasındaki ilişkiyi gösteriyor. Grafikteki önemli noktaları şöyle açıklayabilirim:

1. Doğrusal İlişki: Kırmızı kesikli çizgi, ideal tahmin çizgisini gösteriyor. Mavi noktaların bu çizgiye yakın olması, modelimizin iyi performans gösterdiğine işaret ediyor.
2. Dağılım Analizi: Mavi noktaların çoğu ideal tahmin çizgisine (kırmızı kesikli çizgi) oldukça yakın. Bu, modelimizin tahminlerinin gerçek değerlere yakın olduğunu gösteriyor.
3. Sapmalar: Bazı noktalarda (özellikle 3000 civarında) tahminler ile gerçek değerler arasında küçük sapmalar var, ancak bu sapmalar çok büyük değil.
4. Ölçek: Grafik 0’dan 4500’e kadar geniş bir değer aralığını kapsıyor ve model bu geniş aralıkta tutarlı performans gösteriyor.

Genel olarak, modelimiz test verileri üzerinde iyi bir performans sergilemektedir. Fakat çarpma gibi basit bir problem için yeterli değil.

Tahmin sonuçları aşağıdaki gibi oldu.

Bu çalışma, makine öğrenmesinin temel kavramlarını basit bir çarpma işlemi üzerinden açıkladık. Bununla beraber, konuyu daha anlaşılır hale getirmeyi amaçladık.

Bu örnek, makine öğrenmesinin, basit matematiksel işlemler için de kullanılabileceğini gösteriyor. Öğrenilen bu temel kavramlar, daha karmaşık makine öğrenmesi uygulamalarını anlamak için sağlam bir temel oluşturuyor.

Gelecek çalışmalarda, farklı algoritmalar kullanarak veya daha karmaşık matematiksel işlemleri öğreterek bu çalışmayı genişletebiliriz.

Deep Mine AI olarak, makine öğrenmesi kavramlarını basitleştirerek anlatmaya devam edeceğiz. Bununla beraber, kullanıcılarımıza pratik uygulamalar sunmaya devam edeceğiz.

Yapay zeka konusunda destek almak için bizimle iletişime geçebilirsiniz.

Unutmayın, gelecek sizin ellerinizde!