Gözetimli Öğrenme

Gözetimli Öğrenme

Gözetimli öğrenme, giriş verileriyle birlikte bu verilere ait doğru sonuçların da modele verildiği makine öğrenmesi yöntemidir. Model, örnek girdiler ile hedef sonuçlar arasındaki ilişkiyi öğrenir ve daha önce görmediği veriler için tahmin üretir. Bir veri kümesinde her örneğe ait doğru cevaba etiket adı verilir. Örneğin kedi ve köpek görüntülerinden oluşan bir veri kümesinde her fotoğrafın hangi hayvana ait olduğu belirtilir. Model, görüntü özellikleriyle etiketler arasındaki bağlantıyı öğrenir. Gözetimli öğrenmenin iki temel kullanım alanı sınıflandırma ve regresyondur. Sınıflandırmada model belirli kategorilerden birini tahmin eder. Bir müşterinin krediyi geri ödeyip ödemeyeceği veya bir görüntünün hangi nesneyi içerdiği sınıflandırmaya örnektir. Regresyonda ise model sayısal bir değer üretir. Bir evin fiyatı, bir ürünün satış miktarı veya bir makinenin kalan kullanım süresi regresyon yöntemiyle tahmin edilebilir. Gözetimli öğrenme sürecinde veri genellikle eğitim, doğrulama ve test kümelerine ayrılır. Eğitim verisi modelin öğrenmesi için kullanılır. Doğrulama verisi model ayarlarının belirlenmesine yardımcı olur. Test verisi ise modelin daha önce görmediği örnekler üzerindeki performansını ölçer. Modelin başarısı seçilen değerlendirme ölçütlerine bağlıdır. Sınıflandırmada doğruluk, kesinlik, duyarlılık ve F1 skoru gibi ölçüler kullanılabilir. Regresyonda ortalama mutlak hata ve karesel hata gibi ölçüler tercih edilebilir. Gözetimli öğrenmede etiket kalitesi büyük önem taşır. Hatalı etiketler modelin yanlış ilişkiler öğrenmesine neden olabilir. Uzman etiketlemesi gereken sağlık veya hukuk verilerinde veri hazırlama süreci maliyetli olabilir. Etiketli verinin geçmiş kararları yansıtması da risk oluşturabilir. Geçmiş işe alım kararlarında ayrımcılık bulunuyorsa model bu davranışı öğrenebilir. Bu nedenle veri yalnızca teknik doğruluk açısından değil, etik ve toplumsal etkiler bakımından da incelenmelidir. Gözetimli öğrenme algoritmaları arasında doğrusal regresyon, lojistik regresyon, karar ağaçları, destek vektör makineleri ve yapay sinir ağları bulunur. Hangi algoritmanın kullanılacağı verinin türüne, miktarına ve çözülmek istenen probleme bağlıdır. Gözetimli öğrenme güçlü bir yöntem olmakla birlikte her problem için uygun değildir. Yeterli miktarda güvenilir etiketli veri bulunmuyorsa gözetimsiz veya yarı gözetimli yöntemler daha uygun olabilir. Günümüzde spam tespiti, görüntü sınıflandırma, hastalık tahmini ve kredi risk değerlendirmesi gibi çok sayıda uygulamada gözetimli öğrenmeden yararlanılmaktadır.