bilgisayar mühendisliği yüksek lisans bilim sınavı Test 1

Makine öğrenmesinde (machine learning) 'overfitting' (aşırı uyum) ne demektir?

A) Modelin eğitim verisine çok iyi uyum sağlaması, ancak yeni verilere genelleme yapamaması
B) Modelin eğitim verisine hiç uyum sağlayamaması
C) Modelin çok karmaşık olması
D) Modelin çok basit olması

Merhaba sevgili öğrenciler!

Makine öğrenmesindeki 'overfitting' (aşırı uyum) kavramını adım adım ve anlaşılır bir şekilde inceleyelim:

• Makine Öğrenmesi Modeli Ne Yapar?

  Bir makine öğrenmesi modeli, belirli bir görevi yerine getirmek için (örneğin, bir resimdeki kediyi tanımak, bir evin fiyatını tahmin etmek gibi) verilerden öğrenir. Bu öğrenme süreci, modele "eğitim verisi" adı verilen bir veri kümesi sunularak gerçekleşir.

• Modelin Amacı Nedir?

  Modelin asıl amacı, sadece eğitim verilerini ezberlemek değil, bu verilerden genel kurallar ve desenler öğrenerek, daha önce hiç görmediği "yeni verilere" (test verileri) de doğru tahminler yapabilmektir. Buna genelleme yeteneği diyoruz.

• Overfitting (Aşırı Uyum) Nedir?

  Overfitting, modelin eğitim verilerine o kadar iyi uyum sağlaması, o kadar detaylı bir şekilde ezberlemesi anlamına gelir ki, bu verilerdeki gürültüyü (anlamsız veya rastgele bilgileri) ve küçük sapmaları bile öğrenir. Model, eğitim verisindeki her bir noktayı adeta "nokta atışı" yapar hale gelir.

• Neden Bir Sorundur?

  Eğitim verilerini ezberleyen bir model, yeni ve daha önce hiç görmediği verilere geldiğinde şaşırır. Çünkü yeni veriler, eğitim verilerindeki o spesifik gürültü ve sapmaları içermeyebilir. Model, ezberlediği bu detaylar yüzünden yeni verilerdeki gerçek desenleri tanıyamaz ve kötü tahminler yapar.

• Bir Benzetme ile Anlayalım:

  Diyelim ki bir öğrenci, sınavda çıkacak soruların cevaplarını ezberledi. Sınavda tam da ezberlediği sorular gelirse çok başarılı olur. Ama eğer sınavda biraz farklı, yorum gerektiren veya hiç görmediği sorular gelirse, sadece ezberlediği için bu soruları çözemez. Çünkü konuyu gerçekten anlamamış, sadece belirli cevapları ezberlemiştir. Makine öğrenmesindeki overfitting de tam olarak böyledir: Model, eğitim verisini ezberler, konuyu (genel desenleri) anlamaz.

• Sonuç:

  Overfitting olan bir model, eğitim verileri üzerinde mükemmel performans gösterirken (çünkü onları ezberlemiştir), gerçek dünyadaki yeni veriler üzerinde çok kötü performans gösterir. Bu da modelin kullanışsız olduğu anlamına gelir.

Şimdi seçeneklere baktığımızda:

• A) Modelin eğitim verisine çok iyi uyum sağlaması, ancak yeni verilere genelleme yapamaması: Bu tanım, yukarıda açıkladığımız overfitting durumunu tam olarak ifade etmektedir. Model eğitim verisini ezberler, ancak bu ezberleme yeni verilere uyarlanamaz.
• B) Modelin eğitim verisine hiç uyum sağlayamaması: Bu durum 'underfitting' (eksik uyum) olarak adlandırılır. Modelin eğitim verilerinden bile öğrenemediği, çok basit kaldığı bir durumu ifade eder.
• C) Modelin çok karmaşık olması: Karmaşık modeller overfitting'e daha yatkın olabilir, ancak karmaşıklık overfitting'in kendisi değil, ona yol açabilecek bir nedendir.
• D) Modelin çok basit olması: Basit modeller genellikle overfitting yerine underfitting'e neden olur.

Cevap A seçeneğidir.