hackernoon.com
Open in
urlscan Pro
2606:4700:20::681a:b59
Public Scan
URL:
https://hackernoon.com/tr/makine-%C3%B6%C4%9Freniminde-model-kalibrasyonu-%C3%B6nemli-ancak-g%C3%B6ze-%C3%A7arpmayan-bi...
Submission: On May 20 via manual from TR — Scanned from DE
Submission: On May 20 via manual from TR — Scanned from DE
Form analysis
2 forms found in the DOM<form novalidate="" class="ais-SearchBox-form" action="" role="search"><input type="search" placeholder="Discover Anything" autocomplete="off" autocorrect="off" autocapitalize="off" spellcheck="false" required="" maxlength="512" value=""
class="ais-SearchBox-input"><button type="submit" title="Submit your search query." class="ais-SearchBox-submit"><svg class="ais-SearchBox-submitIcon" xmlns="http://www.w3.org/2000/svg" width="10" height="10" viewBox="0 0 40 40">
<path
d="M26.804 29.01c-2.832 2.34-6.465 3.746-10.426 3.746C7.333 32.756 0 25.424 0 16.378 0 7.333 7.333 0 16.378 0c9.046 0 16.378 7.333 16.378 16.378 0 3.96-1.406 7.594-3.746 10.426l10.534 10.534c.607.607.61 1.59-.004 2.202-.61.61-1.597.61-2.202.004L26.804 29.01zm-10.426.627c7.323 0 13.26-5.936 13.26-13.26 0-7.32-5.937-13.257-13.26-13.257C9.056 3.12 3.12 9.056 3.12 16.378c0 7.323 5.936 13.26 13.258 13.26z">
</path>
</svg></button><button type="reset" title="Clear the search query." class="ais-SearchBox-reset" hidden=""><svg class="ais-SearchBox-resetIcon" xmlns="http://www.w3.org/2000/svg" viewBox="0 0 20 20" width="10" height="10">
<path d="M8.114 10L.944 2.83 0 1.885 1.886 0l.943.943L10 8.113l7.17-7.17.944-.943L20 1.886l-.943.943-7.17 7.17 7.17 7.17.943.944L18.114 20l-.943-.943-7.17-7.17-7.17 7.17-.944.943L0 18.114l.943-.943L8.113 10z"></path>
</svg></button></form>
<form class="sc-2c3a4fc6-0 iJsfya newsletter-form" style="width: 100%; border-bottom: 1px solid white; padding-bottom: 30px;">
<div style="width: 100%;">
<h2 style="font-weight: 400; margin-top: 10px; font-size: 22px;">The HackerNoon Newsletter</h2>
</div>
<p style="color: rgb(229, 231, 235); width: 100%; text-align: left; font-style: normal; font-size: 14px;">Quality Reads About Technology Infiltrating Everything</p>
<div class="sc-ea2620d9-0 jLbGYS"><label><input placeholder="name@company.com" name="email" type="email" required="" class="sc-2c3a4fc6-1 dsnAcm newsletter-form-input" value=""
style="border: 1px solid white; border-radius: 10px; padding: 25px;"></label></div><button class="sc-ea2620d9-3 gvfHpO newsletter-form-button">Subscribe </button><label class="sc-ea2620d9-1 bvuZZA" style="width: 100%;"><input type="checkbox"
required="" name="agreed"> Yes, I agree to receive electric content at Noon by HackerNoon</label>
</form>
Text Content
LoginReadWrite Notifications Hundreds of Templates, Editable Story Drafts & Improved Speed - All in HackerNoon’s Latest Version of Mobile App. Download Now! 04/30/2024 NEW🔥Create your Pixelated Avatar with Hackernoon Today - Try it now! 🏃 04/12/2024 New alert! 🚨 One-tap Google login and signup is now live on HackerNoon! Give it a try! 🚀 03/19/2024 This is a reminder to drink more water, and maybe get off your bed and exercise a bit? 😂 Whatever you do, we support you. Stay hydrated while browsing HackerNoon 💚 03/08/2024 You can now WRITE ANYWHERE with the HackerNoon Mobile App! Experience today 💚 03/08/2024 Time to update all your call-to-actions to gain more traffic 🚗🛵🚌 03/08/2024 What's trending in the HackerNoon Community today? 03/08/2024 What's new on HackerNoon this week? Find out now! 03/08/2024 New! Pixelated Icons Open Sourced by HackerNoon 01/30/2024 HackerNoon's original documentary is officially here! Watch Web 2.5 Today! 01/30/2024 see 3 more LOGIN / SIGNUP READ Discover (Sort By) Tech Software Tech Categories TOP STORIES Trending Latest Translations WRITE Start Writing Story Templates Writing Contests Publish on HackerNoon LEARN Self-Paced Courses Tech Deep Dives Build Skillzz WATCH WEB 2.5 COMPANIES Top Tech Companies Trending Companies Tech Company News Pages Startups Worldwide ABOUT Company People Software HELP Writers Visitors STARTUPS Startups of the Year Partner JOBS Find Top Tech Jobs CRYPTO Trending Coins (based on reader interest) Top Crypto Stories SHOP Best Sellers Accessories ADVERTISE Partnerships * READ * TOP STORIES * WRITE * LEARN * WATCH WEB 2.5 * COMPANIES * ABOUT * HELP * STARTUPS * JOBS * CRYPTO * SHOP * ADVERTISE Apply now and work #LikeABosch Makine Öğreniminde Model Kalibrasyonu: Önemli Ama Göze Çarpan Bir Kavram ile@sanjaykn170396 3,268 okumalar 3,268 okumalar MAKINE ÖĞRENIMINDE MODEL KALIBRASYONU: ÖNEMLI AMA GÖZE ÇARPAN BIR KAVRAM ile Sanjay Kumar SANJAY KUMAR @SANJAYKN170396 Data scientist | ML Engineer | Statistician 6 dk. read2023/01/28 Read this story in a terminal Print this story Read this story w/o Javascript EN Read this story in the original language, English! TR Bu hikayeyi Türkçe okuyun! KO 이 이야기를 한국어로 읽어보세요! DE Lesen Sie diese Geschichte auf Deutsch! BN এই গল্পটি বাংলায় পড়ুন! ES Lee esta historia en Español! HI इस कहानी को हिंदी में पढ़ें! ZH 用繁體中文閱讀這個故事! VI Đọc câu chuyện này bằng tiếng Việt! FR Lisez cette histoire en Français! PT Leia esta história em português! JA この物語を日本語で読んでください! TR ÇOK UZUN; OKUMAK Kalibrasyon, makine öğrenmesindeki en önemli kavramlardan biridir. Özellikle sınıflandırma modellerinde bir model tahminine ne kadar güvenebileceğimizi bize anlatır. Makine öğrenmesi sınıflandırıcılarının sayısal çıktılarının anlamlı yorumlanması için kalibrasyonun iyi anlaşılması bir zorunluluktur. Bu makalede, makine öğrenimi modeli kalibrasyonunun arkasındaki teoriyi ve bunun önemini bazı basit gerçek hayattan örneklerle tartışacağız. Bu ses hikayenin orijinal dilinde üretilmiştir!Your browser does not support theaudio element. 1x Read by Dr. One Ses Sunan: SANJAY KUMAR @sanjaykn170396 Data scientist | ML Engineer | Statistician İÇINDEKILER * giriiş * Model kalibrasyonunun arkasındaki konsept * Model kalibrasyonunun bazı gerçek zamanlı uygulamaları * Çözüm * Referanslar GIRIIŞ Kalibrasyon - Makine öğrenimindeki en önemli kavramlardan biri olmasına rağmen, AI/ML alanına yeni başlayan meraklılar arasında yeterince konuşulmuyor. Kalibrasyon bize, özellikle sınıflandırma modellerinde, bir model tahminine ne kadar güvenebileceğimizi anlatır. Makine öğrenmesi sınıflandırıcılarının sayısal çıktılarının anlamlı yorumlanması için kalibrasyonun iyi anlaşılması bir zorunluluktur. Bu makalede, makine öğrenimi modeli kalibrasyonunun arkasındaki teoriyi ve bunun önemini bazı basit gerçek hayattan örneklerle tartışacağız. MODEL KALIBRASYONUNUN ARKASINDAKI KONSEPT Bir makine öğrenimi modeli, kalibre edilmiş olasılıklar üretiyorsa kalibre edilir. Daha spesifik olarak, olasılıklar, p güvenine sahip bir sınıfın tahmininin zamanın yüzde 100*p'sinde doğru olduğu durumda kalibre edilir. Karmaşık mı görünüyor? Basit bir örnekle anlayalım: Belirli bir günde yağmur yağıp yağmayacağını tahmin etmek için bir makine öğrenimi modeli oluşturmamız gerektiğini düşünelim. Yalnızca 2 olası sonuç olduğundan - "Yağmur" ve "Yağmur Yok", bunu ikili bir sınıflandırma modeli olarak düşünebiliriz. Unsplash'ta Osman Rana'nın fotoğrafı Burada “Yağmur” 1 ile temsil edilen pozitif bir sınıftır ve “Yağmur Yok” ise 0 ile temsil edilen negatif bir sınıftır. Belirli bir gün için modelin tahmini 1 ise o günün yağmurlu geçeceğinin beklendiğini düşünebiliriz. Benzer şekilde, eğer modelin belirli bir gün için tahmini 0 ise o günün yağmurlu olmayacağının beklendiğini düşünebiliriz. Gerçek zamanlı olarak, makine öğrenimi modelleri genellikle tahminleri bazı olasılık değerlerini temsil eden sayısal bir vektör olarak temsil eder. Yani her zaman 0 veya 1 değerini almamız şart değil. Genellikle tahmin edilen değer 0,5'ten büyük veya ona eşitse 1, tahmin edilen değer 0,5'ten küçükse 0 olarak kabul edilir. . Örneğin, modelin belirli bir gün için tahmini 0,66 ise bunu 1 olarak kabul edebiliriz. Benzer şekilde modelin belirli bir gün için tahmini 0,24 ise bunu 0 olarak kabul edebiliriz. Modelimizin önümüzdeki 10 günün sonucunu şu şekilde tahmin ettiğini varsayalım: Resim kaynağı: Yazar tarafından çizilmiştir Olasılık değeri 0,5'ten büyük veya ona eşitse tahminin "Yağmur" olduğunu görebiliriz. Benzer şekilde olasılık değeri 0,5'ten küçükse tahminin "Yağmur Yok" olduğunu görebiliriz. Şimdi istatistiksel soru şu: > “Olasılık değerleri sonuç için gerçek olasılık değerleri midir?” Başka bir deyişle, eğer olasılık değerim 0,8 ise bu o günün yağmurlu olma ihtimalinin %80 olduğu anlamına mı gelir? Eğer olasılık değerim 0,2 ise bu, günün yağmurlu olma ihtimalinin %20 olduğu anlamına mı gelir? İstatistiksel olarak modelimin kalibre edildiğini iddia ediyorsam cevabım “Evet” olmalıdır. Olasılık değerleri, çıktı sınıfını belirlemek için yalnızca eşik değerleri olmamalıdır. Bunun yerine, sonucun gerçek olasılığını temsil etmelidir. Burada 1. Günün olasılık değeri 0,81 iken 10. Günün olasılık değeri yalnızca 0,76'dır. Bu, her iki günde de yağmur yağma ihtimali olmasına rağmen, 1. Günün yağmurlu olma ihtimalinin 10. Güne göre %5 daha fazla olduğu anlamına gelir. Bu, sonucun olasılıksal tahmininin gücünü gösterir. İyi bir istatistikçi, eğer böyle bir modele sahipse, buna benzer çok sayıda sonuçtan çok sayıda model çıkarımı yapacaktır. İstatistikçilerin model kalibrasyonunu grafiksel olarak nasıl yorumladıklarını görelim. 0'dan 1'e kadar olan değerlerin X ekseninde eşit olarak bölündüğü buna benzer bir grafik düşünün. Resim kaynağı: Yazar tarafından çizilmiştir Şimdi her grupta sonucu olasılık değerlerine göre çizin. Örneğin, 0,6-0,8 numaralı kümelerde 4 veri noktamız var - 4. Gün, 8. Gün, 9. Gün ve 10. Gün. Resim kaynağı: Yazar tarafından çizilmiştir Benzer şekilde diğer tüm kovalar için de aynı işlemi uygulayabiliriz. Resim kaynağı: Yazar tarafından çizilmiştir Şu ana kadar sadece tahmin edilen değerleri çizdik. Pozitif sınıfımız “Yağmur” olduğuna göre her bir kovadaki gerçek değeri “Yağmur” olan değerlerin türevini alalım. Resim kaynağı: Yazar tarafından çizilmiştir Şimdi her grupta pozitif sınıfın kesrini bulun: Resim kaynağı: Yazar tarafından çizilmiştir Bu aşamaya ulaşıldığında, bu kesirli değerleri Y ekseni boyunca bir çizgi olarak çizin. Resim kaynağı: Yazar tarafından çizilmiştir Çizgi düzgün bir doğrusal yapıda değil. Bu, modelimizin iyi kalibre edilmediği anlamına gelir. İyi kalibre edilmiş bir modelin tablosu şöyle görünürdü: Resim kaynağı: Yazar tarafından çizilmiştir İdeal olarak, iyi kalibre edilmiş bir model, 3. kovada (0,4-0,6) "Yağmur" olasılığının %40-%60 civarında olmasını bekler. Ancak modelimiz, sonucun “Yağmur” olma ihtimalinin yalnızca %30 olduğunu veriyor. Bu önemli bir sapmadır. Bu tür sapmaları diğer kovalarda da görmek mümkün. Bazı istatistikçiler, modelin performansını değerlendirmek için kalibre edilmiş eğri ile modelin olasılık eğrisi arasındaki alanı kullanır. Alan küçüldüğünde, model eğrisi kalibre edilmiş eğriye daha yakın olacağından performans daha yüksek olacaktır. Resim kaynağı: Yazar tarafından çizilmiştir MAKINE ÖĞRENIMINDE MODEL KALIBRASYONUNUN BAZI GERÇEK ZAMANLI UYGULAMALARI ML uygulamalarının son kullanıcılarının etkili ve anlayışlı karar verme için model kalibrasyonuna bağlı olduğu birçok gerçek zamanlı senaryo vardır: 1. Bir e-ticaret platformu için sıralamaya dayalı bir model oluşturduğumuzu düşünelim. Bir model iyi kalibre edilmişse, öneri amacıyla olasılık değerlerine güvenilebilir. Örneğin model, kullanıcının A Ürününü beğenme ihtimalinin %80, B Ürününü beğenme ihtimalinin ise %65 olduğunu söylüyor. Dolayısıyla kullanıcıya ilk tercih olarak A Ürününü, B Ürününü ise kullanıcıya önerebiliriz. ikinci tercih olarak. 2. Klinik araştırmalar söz konusu olduğunda bazı doktorların ilaç geliştirdiğini düşünün. Model, tedavi için 2 ilacın çok etkili olduğunu öngörüyorsa - İlaç A ve İlaç B. Şimdi doktorlar, risk alamayacakları için listeden mevcut en iyi seçeneği seçmelidirler çünkü bu, tedavi için oldukça riskli bir denemedir. insan hayatı. Eğer model A İlacı için %95 ve B İlacı için %90 olasılık değeri veriyorsa o zaman doktorların A İlacını tercih edecekleri açıktır. ÇÖZÜM Bu makalede, model kalibrasyonunun teorik temellerini inceledik ve bazı basit gerçek hayattan örnekler aracılığıyla bir sınıflandırıcının kalibre edilip edilmediğini anlamanın önemini tartıştık. Makine öğrenimi modelleri için "Güvenilirlik" oluşturmak, araştırmacılar için genellikle onu geliştirmekten veya sunuculara dağıtmaktan daha büyük bir zorluktur. Tahmin edilen olasılığın ilgi çekici olduğu durumlarda model kalibrasyonu son derece değerlidir. Modelin tahminindeki belirsizliğin anlaşılmasını veya anlaşılmasını sağlar ve buna bağlı olarak modelin güvenilirliğinin, özellikle kritik uygulamalarda son kullanıcı tarafından anlaşılmasını sağlar. Umarım bu yazı bu kavrama bir önsöz edinmenize ve önemini anlamanıza yardımcı olmuştur. Konuyu derinlemesine anlamak için referans bölümünde bahsedilen materyallere başvurabilirsiniz. REFERANSLAR 1. Kalibrasyon - Vikipedi 2. Gebel, Martin (2009). Sınıflandırıcı puanlarının olasılık uzayına çok değişkenli kalibrasyonu (PDF) (Doktora tezi). Dortmund Üniversitesi. 3. UM Garczarek "2004-11-23 tarihinde Wayback Machine'de arşivlendi ," Standardize Bölme Uzaylarında Sınıflandırma Kuralları, Tez, Dortmund Üniversitesi, 2002 4. . Hastie ve R. Tibshirani, "İkili bağlantıyla sınıflandırma. İçinde: MI Jordan, MJ Kearns ve SA Solla (ed.), Sinirsel Bilgi İşleme Sistemlerinde Gelişmeler, cilt 10, Cambridge, MIT Press, 1998. L O A D I N G . . . comments & more! ABOUT AUTHOR Sanjay Kumar@sanjaykn170396 Data scientist | ML Engineer | Statistician Read my storiesRead My Stories ETİKETLERİ ASIN machine-learning #artificial-intelligence #machine-learning #data-science #statistics #binary-classification #evaluation-metrics #predictive-modeling #hackernoon-top-story LANGUAGES EnglishTürkçePortuguêsहिंदीTiếng Việt中国人বাংলাEspañol日本語Deutsch한국인Français BU YAZI... Permanent on Arweave Read this story in a terminal Terminal Read this story w/o Javascript Lite İLGİLİ ÖYKÜLER Zehirli Bir Yöneticinin Üretkenliği ve Ekip Çalışmasını Bozan 4 Alışkanlığı by dariasup Jan 01, 1970 #toxic-workplaces I bought Forbse.com by guittetv Jan 01, 1970 #growth-hacking My Story in 12 Questions & Answers by dorelb Jan 01, 1970 #tech-interviews Join HackerNoon Latest technology trends. Customized Experience. Curated Stories. Publish Your Ideas ABOUT * Careers * Contact * Cookies * Emails * Help * Privacy * Sitemap * Shareholders * Startups 2023 * Testimonials * Terms * Updates READ * Archive * Categories * Image Gallery * Leaderboard * Learn Repo * Noonification * Signup * Tech Beat * Tech Brief * Tech Tags * Terminal Reader * Top Stories WRITE * Distribution * Editing Protocol * Editor Tips * Guidelines * Help * New Story * Perks * Process * Subscribers * Story Templates * Testimonials * Why Write BUSINESS * Billboard * Book Demo Meeting * Business Blogging * Case Studies * Company Directory * Crypto Directory * Live Business Posts * Newsletters * Niche Targetting * Partnerships * Startup Package * Writing Contests THE HACKERNOON NEWSLETTER Quality Reads About Technology Infiltrating Everything Subscribe Yes, I agree to receive electric content at Noon by HackerNoon Get our mobile app on App Store Get our mobile app on Google Play © 2023 HackerNoon. All rights reserved - PO Box 2206, Edwards, Colorado 81632, USA HACKERNOON