Öğrenme Eğrileri: Model Teşhis Laboratuvarı
Modelinizin neden iyi/kötü performans gösterdiğini anlamak için öğrenme eğrilerini kullanın. Overfitting, underfitting ve ideal durumu görsel olarak teşhis edin.
⚡ Hızlı Özet: Neyi Teşhis Edeceğiz?
Underfitting
Model çok basit
İdeal Durum
Mükemmel denge
Overfitting
Model çok karmaşık
Underfitting
Model veriyi öğrenemiyor. Hem training hem validation hataları yüksek.
🔍 Belirtiler: Yüksek bias, düşük variance
İdeal Durum
Training ve validation hataları düşük ve birbirine yakın.
🎯 Hedef: Düşük bias, düşük variance
Overfitting
Model training verisini ezberliyor. Training hatası düşük, validation hatası yüksek.
⚠️ Belirtiler: Düşük bias, yüksek variance
🎮 İNTERAKTİF ÖĞRENME EĞRİLERİ LABORATUVARI
Model karmaşıklığını ve veri miktarını değiştirerek öğrenme eğrilerinin nasıl değiştiğini görün!
📊 CANLI TEŞHİS
Model parametrelerini değiştirdikçe bu alan otomatik olarak güncellenecek...
🎯 UNDERFITTING ÇÖZÜMLERİ
- Daha karmaşık model kullanın (daha yüksek dereceli polinom)
- Daha fazla özellik ekleyin
- Regularization (düzenlileştirme) azaltın
- Model eğitim süresini artırın
💡 OVERFITTING ÇÖZÜMLERİ
- Daha fazla veri toplayın
- Regularization (Ridge, Lasso) artırın
- Model karmaşıklığını azaltın
- Feature selection (özellik seçimi) yapın
- Early stopping (erken durdurma) kullanın
⚖️ BIAS-VARIANCE TRADEOFF (Ödünleşim)
Bias (Yanlılık) vs Variance (Varyans)
Bias: Modelin basitliğinden kaynaklanan hata. Underfitting'in
nedeni.
Variance: Modelin gürültüye duyarlılığı. Overfitting'in
nedeni.
Toplam Hata = Bias² + Variance + Gürültü
Altın Kural: Bias ve Variance arasında denge kurmalısınız. İkisinin toplamının minimum olduğu nokta ideal model karmaşıklığıdır.
🏥 MODEL TEŞHİS REHBERİ
UNDERFITTING
Training Error: Yüksek
Validation Error: Yüksek
Fark: Küçük
Çözüm: Modeli daha karmaşık hale getir
İDEAL
Training Error: Düşük
Validation Error: Düşük
Fark: Küçük
Durum: Mükemmel! Modeli koru
OVERFITTING
Training Error: Çok Düşük
Validation Error: Yüksek
Fark: Büyük
Çözüm: Regularization artır veya daha fazla veri topla
🐍 PYTHON'DA ÖĞRENME EĞRİLERİ
Scikit-learn ile Öğrenme Eğrileri
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import learning_curve
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import Pipeline
# Pipeline oluştur (polinom regresyon)
model = Pipeline([
('poly', PolynomialFeatures(degree=3)), # Karmaşıklığı değiştir
('linear', LinearRegression())
])
# Öğrenme eğrilerini hesapla
train_sizes, train_scores, val_scores = learning_curve(
model, X, y,
cv=5, # 5-fold cross-validation
scoring='neg_mean_squared_error',
train_sizes=np.linspace(0.1, 1.0, 10),
n_jobs=-1
)
# MSE'ye çevir (negatiften pozitife)
train_scores_mean = -np.mean(train_scores, axis=1)
val_scores_mean = -np.mean(val_scores, axis=1)
# Görselleştir
plt.figure(figsize=(10, 6))
plt.plot(train_sizes, train_scores_mean, 'o-', color='blue', label='Training Error')
plt.plot(train_sizes, val_scores_mean, 'o-', color='red', label='Validation Error')
plt.xlabel('Training Set Size')
plt.ylabel('Mean Squared Error')
plt.title('Learning Curves')
plt.legend()
plt.grid(True)
plt.show()Manuel Öğrenme Eğrileri
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
def plot_learning_curves_manual(model, X, y):
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2)
train_errors, val_errors = [], []
# Farklı training set boyutları için
for m in range(1, len(X_train)):
model.fit(X_train[:m], y_train[:m])
y_train_predict = model.predict(X_train[:m])
y_val_predict = model.predict(X_val)
train_errors.append(mean_squared_error(y_train[:m], y_train_predict))
val_errors.append(mean_squared_error(y_val, y_val_predict))
# Grafik çiz
plt.figure(figsize=(10, 6))
plt.plot(train_errors, "r-+", linewidth=2, label="Training")
plt.plot(val_errors, "b-", linewidth=3, label="Validation")
plt.legend()
plt.xlabel("Training set size")
plt.ylabel("RMSE")
plt.grid(True)
plt.show()
# Kullanım
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
model = LinearRegression()
plot_learning_curves_manual(model, X, y)
# Farklı karmaşıklıktaki modelleri karşılaştır
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import Pipeline
# Düşük karmaşıklık
model_low = Pipeline([
('poly', PolynomialFeatures(degree=1)),
('linear', LinearRegression())
])
# Yüksek karmaşıklık
model_high = Pipeline([
('poly', PolynomialFeatures(degree=10)),
('linear', LinearRegression())
])
print("Düşük karmaşıklık (Underfitting):")
plot_learning_curves_manual(model_low, X, y)
print("Yüksek karmaşıklık (Overfitting):")
plot_learning_curves_manual(model_high, X, y)🔧 PRATİK ÇÖZÜMLER
Underfitting Görüyorsanız
- Polinom derecesini artırın (degree=2,3,4...)
- Daha fazla özellik ekleyin
- Daha güçlü model kullanın (Random Forest, XGBoost)
- Regularization'ı azaltın (alpha küçültün)
Overfitting Görüyorsanız
- Daha fazla veri toplayın
- Regularization artırın (Ridge, Lasso)
- Model karmaşıklığını azaltın
- Feature selection yapın
- Early stopping kullanın
- Dropout (sinir ağlarında) ekleyin
🎯 AKILLI İPUÇLARI
Validation hatası training hatasından çok yüksekse: Overfitting
var
İki hata da yüksek ve birbirine yakınsa: Underfitting var
Eğriler bir noktada birleşiyorsa: Daha fazla veri işe yaramaz
Eğriler arasındaki boşluk açılıyorsa: Daha fazla veri toplayın
Altın Kural: Öğrenme eğrileri modelinizin "sağlık durumunu" gösterir. Düzenli olarak kontrol edin ve gerekli ayarlamaları yapın.
✅ ÖĞRENDİKLERİMİZ
Öğrenme eğrileri overfitting/underfitting'i teşhis eder
Bias-variance tradeoff model performansını belirler
İdeal modelde her iki hata da düşük ve yakındır
Underfitting: Model basit, hatalar yüksek
Overfitting: Training hatası düşük, validation yüksek
Scikit-learn learning_curve ile otomatik analiz