Üretken ve Ayırt Edici Makine Öğrenimi Modelleri

Bazı makine öğrenimi modelleri “üretken” veya “ayırt edici” model kategorilerine aittir. Ancak bu iki model kategorisi arasındaki fark nedir? Bir modelün üretken veya ayırt edici olması ne anlama gelir?

Kısa cevap, üretken modellerin veri setinin dağılımını içerdiği, bir örneğe verilen bir olasılık döndürdüğüdür. Üretken modeller genellikle bir dizide neler olacağı hakkında tahminlerde bulunmak için kullanılır. Öte yandan, ayırt edici modeller sınıflandırma veya regresyon için kullanılır ve koşullu olasılığa dayalı bir tahmin döndürür. Bu iki model kategorisi arasındaki farkı daha detaylı olarak inceleyelim, böylece iki model türünü ayıran şeyi gerçekten anlayabilelim ve her türün ne zaman kullanılacağını bilelim.

Üretken ve Ayırt Edici Modeller

Bir makine öğrenimi modelini çeşitli şekillerde kategorize etmek mümkündür. Bir model, üretken modeller, ayırt edici modeller, parametreli modeller, parametresiz modeller, ağaç tabanlı modeller, ağaç tabanlı olmayan modeller gibi farklı kategorilere ait olabilir.

Bu makale, üretken modeller ve ayırt edici modeller arasındaki farklara odaklanacak. Her iki model türünü de tanımlayarak başlayacak ve ardından her türün örneklerine göz atacağız.

Üretken Modeller

Üretken modeller, veri setindeki sınıfların dağılımına odaklanır. Makine öğrenimi algoritmaları genellikle veri noktalarının dağılımını modellemeye çalışır. Üretken modeller, ortak olasılığın bulunmasına dayanır. Bir girdinin ve bir çıktının/etiketin aynı anda var olduğu noktaları oluşturur.

Üretken modeller genellikle olasılıkları ve olasılıkları tahmin etmek, veri noktalarını modellemek ve bu olasılıklara dayanarak sınıflar arasında ayrım yapmak için kullanılır. Model, veri setinin olasılık dağılımını öğrenir, bu nedenle bu olasılık dağılımına başvurarak yeni veri örnekleri oluşturabilir. Üretken modeller genellikle Bayes teoremi kullanarak ortak olasılığın bulunmasına dayanır, p(x,y) değerini bulmaya çalışır. Temel olarak, üretken modeller verilerin nasıl üretildiği hakkında bilgi verir ve aşağıdaki soruyu cevaplar:

“Bu sınıfın veya başka bir sınıfın bu veriyi üretme olasılığı nedir?”

Üretken makine öğrenimi modellerinin örnekleri arasında Doğrusal Ayırt Edici Analiz (LDA), Gizli Markov modelleri ve Naive Bayes gibi Bayes ağları bulunur.

Ayırt Edici Modeller

Üretken modeller veri setinin dağılımını öğrenirken, ayırt edici modeller veri setindeki sınıflar arasındaki sınırı öğrenmeye çalışır. Ayırt edici modellerde amaç, güvenilir sınıf etiketlerini veri örneklerine uygulamak için sınıflar arasındaki karar sınırını belirlemektir. Ayırt edici modeller, koşullu olasılığa dayanarak sınıfları ayırır ve bireysel veri noktaları hakkında herhangi bir varsayımda bulunmaz.

Ayırt edici modeller aşağıdaki soruyu cevaplamaya çalışır:

“Bu örnek, karar sınırının hangi tarafında bulunur?”

Ayırt edici makine öğrenimi modellerinin örnekleri arasında destek vektör makineleri, lojistik regresyon, karar ağaçları ve rastgele ormanlar bulunur.

Üretken ve Ayırt Edici Modeller Arasındaki Farklar

Üretken ve ayırt edici modeller arasındaki temel farkları hızlıca gözden geçirelim.

Üretken Modeller:

• Üretken modeller, veri setindeki sınıfların gerçek dağılımını yakalamaya çalışır.
• Üretken modeller, Bayes teoremi kullanarak ortak olasılık dağılımını p(x,y) olarak tahmin eder.
• Üretken modeller, ayırt edici modellere kıyasla daha hesaplamalı olarak pahalıdır.
• Üretken modeller, gözetimsiz makine öğrenimi görevleri için faydalıdır.
• Üretken modeller, ayırt edici modellere kıyasla aykırı değerlerin varlığından daha fazla etkilenir.

Ayırt Edici Modeller:

• Ayırt edici modeller, veri setindeki sınıflar arasındaki karar sınırını modellemeye çalışır.
• Ayırt edici modeller, koşullu olasılık p(y|x) öğrenir.
• Ayırt edici modeller, üretken modellere kıyasla daha hesaplamalı olarak ucuzdur.
• Ayırt edici modeller, gözetimli makine öğrenimi görevleri için faydalıdır.
• Ayırt edici modeller, aykırı değerlere karşı daha robusttur ve üretken modellerden daha az etkilenir.
• Ayırt edici modeller, aykırı değerlere karşı daha robusttur ve üretken modellerden daha az etkilenir.

Şimdi, üretken ve ayırt edici makine öğrenimi modellerinin bazı örneklerine kısaca göz atalım.

Üretken Modeller Örnekleri

Doğrusal Ayırt Edici Analiz (LDA)

LDA modelleri, her sınıf için veri setindeki varyans ve ortalamayı tahmin ederek çalışır. Her sınıfın varyansı ve ortalaması hesaplandıktan sonra, bir dizi girdinin belirli bir sınıfa ait olma olasılığı tahmin edilebilir.

Gizli Markov Modelleri

Markov zincirleri, bir noktadan diğerine geçme olasılıklarıyla işaretlenmiş grafiklerle düşünülebilir. Markov zincirleri, bir durumdan diğerine geçme olasılığını, p(i,j) olarak gösterilen bir joint olasılık olarak belirlemek için kullanılır. Bu, yukarıda bahsedilen joint olasılıktır. Gizli Markov Modeli, gözlemlenemeyen bir Markov zincirinin kullanıldığı durumdur. Veri girişleri modele verilir ve geçerli durumun ve önceki durumun olasılıkları, en olası sonucu hesaplamak için kullanılır.

Bayes Ağları

Bayes ağları, olasılıksal grafik modellerinin bir türüdür. Değişkenler arasındaki koşullu bağımlılıkları temsil eder, bunlar Yönlendirilmiş Döngüsüz Grafik (DAG) olarak gösterilir. Bir Bayes ağındaki her kenar, bir koşullu bağımlılığı temsil eder ve her düğüm benzersiz bir değişkeni temsil eder. Grafikteki benzersiz ilişkilerin koşullu bağımsızlığı, değişkenlerin joint dağılımını belirlemek ve joint olasılığın hesaplanmasına用于bilir.

Bir Bayes ağı oluşturulup doğru şekilde tanımlandığında, Rastgele Değişkenler, Koşullu İlişkiler ve Olasılık Dağılımları bilinir, bu da olayların veya sonuçların olasılığını tahmin etmek için kullanılabilir.

En yaygın kullanılan Bayes Ağları türlerinden biri, Naive Bayes modelidir. Naive Bayes modeli, birçok parametre/değişkeni olan veri setleri için olasılığı hesaplamakta karşılaşılan zorluğu, tüm özelliklerin birbirinden bağımsız olduğunu varsayarak çözer.

Ayırt Edici Modeller Örnekleri

Destek Vektör Makineleri

Destek vektör makineleri, veri noktaları arasında bir karar sınırı çizerek çalışır, veri setindeki farklı sınıfları en iyi şekilde ayıran karar sınırını bulmaya çalışır. SVM algoritması, 2 boyutlu uzaylar için çizgiler veya 3 boyutlu uzaylar için hiperdüzlemler çizer. SVM, sınıfları ayıran çizgi/hiperdüzlemin en iyi şekilde ayrılmasını sağlamak için, çizgi/hiperdüzlemden en yakın noktalara olan mesafeyi en üst düzeye çıkarmaya çalışır. SVM modelleri ayrıca “kernel hile” kullanılarak lineer olarak ayrılmayan veri setlerinde non-lineer karar sınırlarını belirlemek için kullanılabilir.

Lojistik Regresyon

Lojistik regresyon, bir girdinin belirli bir sınıfa ait olma olasılığını belirlemek için logit (log-odds) fonksiyonu kullanan bir algoritmadır. Bir sigmoid fonksiyonu, olasılığı 0 veya 1’e, yani doğru veya yanlışa “sıkıştırmak” için kullanılır. 0.50’den büyük olasılıklar sınıf 1 olarak kabul edilir, 0.49 veya daha düşük olasılıklar ise sınıf 0 olarak kabul edilir. Bu nedenle, lojistik regresyon genellikle ikili sınıflandırma problemlerinde kullanılır. Ancak, lojistik regresyon, her sınıf için bir ikili sınıflandırma modeli oluşturarak ve bir örneğin hedef sınıf veya veri setindeki başka bir sınıf olma olasılığını belirleyerek çoklu sınıf problemlerine uygulanabilir.

Karar Ağacı

Bir karar ağacı modeli, veri setini daha küçük parçalara ayırarak çalışır ve alt kümeler daha fazla bölünemez hale geldiğinde, sonuçta bir karar ağacı oluşur. Karar ağacındaki düğümler, farklı filtreleme kriterlerine dayalı olarak veri noktaları hakkında kararlar alındığı yerlerdir. Karar ağacındaki yapraklar, sınıflandırılmış veri noktalarıdır. Karar ağacı algoritmaları hem numerik hem de kategorik veri ile çalışabilir ve ağaçtaki bölünmeler belirli değişkenlere/özelliklere dayanır.

Rastgele Ormanlar

Bir rastgele orman modeli, bireysel ağaçların tahminlerinin ortalamasına dayalı bir karar veren karar ağaçlarının bir koleksiyonudur. Rastgele orman algoritması, observations ve özellikleri rastgele seçerek bireysel ağaçları oluşturur.

Bu öğretici makale, Matplotlib’te bir Kutu Grafiği oluşturmayı öğreneceğiz. Kutu grafikleri, bir veri setinin özet istatistiklerini görselleştirmek için kullanılır ve veri dağılımının özelliklerini, veri aralığını ve dağılımını gösterir.