Derin öğrenme, yapay zeka, machine learning artık adına her ne diyorsak bunlarla uğraşırken sıklıkla duyacağımız bir diğer terim ise hata payıdır. Hata payı istatistik biliminde de kullanılmaktadır. Buna en güzel örneği seçim zamanı yapılan anketlerde hata paylarını örnek gösterebilirim. Oy oranları paylaştırılırken %2, %3 gibi +, - hata payı olduğu söylenir. Yapay öğrenme algoritmaları ise sunduğumuz veri setini analiz ederek kendisini eğitir. Verdiğimiz veri seti ne kadar detaylı ve farklı türlere ait ne kadar çok veri olursa tahmin etme seviyesi o kadar iyileşecektir.
Veri fazla olduğu halde dengesiz olursa bu sefer tam tersine tahmin skoru kötüleşecektir. Bu durumda scaling işlemi uyguluyoruz. Yakında paylaşacağım classification örneğinde nasıl uygulandığını kodlarımdan göstereceğim.
Veri setimizin büyük bir bölümünü modeli eğitmek için harcarız, kalan kısmını ise modelimizi ne kadar iyi eğittiğimizi tespit etmek için sonuç kısımları hariç değerleri verip tahmin etmesini isteriz. Daha sonra yaptığı tahmin ile elimizdeki sonuçları karşılaştırıp elimizde bir skor oluşur. Bu skora bakarak modelimizin hatalı tahmin etme oranlarını çıkartabiliriz. İşte buna hata payı denir.
Python ile Veri Analizi ve Regression buradaki kodları inceleyerek hata payının ne olduğunu daha net anlayabilirsiniz.
Veri fazla olduğu halde dengesiz olursa bu sefer tam tersine tahmin skoru kötüleşecektir. Bu durumda scaling işlemi uyguluyoruz. Yakında paylaşacağım classification örneğinde nasıl uygulandığını kodlarımdan göstereceğim.
Veri setimizin büyük bir bölümünü modeli eğitmek için harcarız, kalan kısmını ise modelimizi ne kadar iyi eğittiğimizi tespit etmek için sonuç kısımları hariç değerleri verip tahmin etmesini isteriz. Daha sonra yaptığı tahmin ile elimizdeki sonuçları karşılaştırıp elimizde bir skor oluşur. Bu skora bakarak modelimizin hatalı tahmin etme oranlarını çıkartabiliriz. İşte buna hata payı denir.
Python ile Veri Analizi ve Regression buradaki kodları inceleyerek hata payının ne olduğunu daha net anlayabilirsiniz.
