Modül 5: Değerlendirme ve Yorumlama
Modelinizin gerçek dünyada ne kadar iyi çalıştığını ölçme ve sonuçları iş kararlarına dönüştürme zamanı! Bu modülde, metrikleri derinlemesine anlayacak ve modellerinizi yorumlayabileceksiniz.
🎯 Modül Hedefleri
⚡ Hızlı Gösteri: Model Performansı
🎯 R² (Açıklama Gücü)
0-1 arası değer alır. 1'e yakın olması modelin veriyi iyi açıkladığını gösterir. "Değişkenler hedefin %XX'sini açıklıyor" deriz.
📈 RMSE (Kök Ort. Kare Hata)
Gerçek birimde ortalama hata miktarı. "Tahminler ortalama ±X birim hata yapıyor" deriz. Düşük olması iyidir.
💡 MAE (Ort. Mutlak Hata)
- RMSE'den daha az aşırı değerlerden etkilenir
- "Ortalama X birim hata var" şeklinde yorumlanır
- İş birimleri için daha anlaşılır
📚 Modül İçeriği
📊 Gerçek Hayat Senaryoları
Ev Fiyat Tahmini
R² = 0.85 → Değişkenler fiyatın %85'ini açıklıyor
RMSE = 50,000 TL → Ortalama ±50K TL hata
Müşteri Harcaması
R² = 0.65 → Orta düzey açıklama gücü
MAE = 120 TL → Aylık ortalama 120 TL hata
Üretim Verimliliği
R² = 0.45 → İyileştirme gerekiyor
RMSE = 8 ünite → Günlük 8 ünite hata payı
🚀 Değerlendirme Kodu
from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error
import numpy as np
# Gerçek ve tahmin değerleri
y_true = [100, 200, 300, 400, 500]
y_pred = [110, 190, 320, 380, 520]
# Metrikleri hesapla
r2 = r2_score(y_true, y_pred)
rmse = np.sqrt(mean_squared_error(y_true, y_pred))
mae = mean_absolute_error(y_true, y_pred)
print(f"R² Skoru: {r2:.3f}")
print(f"RMSE: {rmse:.2f}")
print(f"MAE: {mae:.2f}")
# Yorumlama
if r2 > 0.7:
print("✅ Mükemmel açıklama gücü!")
elif r2 > 0.5:
print("⚠️ Orta düzey, iyileştirme gerekebilir")
else:
print("❌ Düşük performans, model revize edilmeli")🎉 Tebrikler! Yolculuğun Sonuna Yaklaşıyorsun
Bu modülü tamamladığınızda, regresyon analizinin tüm aşamalarını öğrenmiş olacaksınız. Artık veriden değer yaratma becerisine sahipsiniz!
🎯 Final Görevi: Senaryo Analizi
Aşağıdaki senaryoları inceleyin, ardından yorumları görün: