Örnek sorular
Ml Model Training EvaluationZorluk 1
Makine öğrenmesinde bir modelin eğitim verisine 'overfit' olması ne anlama gelir?
- aModel, eğitim verisindeki temel örüntüyü bile yakalayamaz ve orada da yüksek hata üretir.
- bModelin görmediği veri üzerindeki tahminleri, eğitildiği veriye göre tutarlı biçimde daha iyi hale gelir.
- cModel, örüntüyü temsil edecek kadar az parametreye sahip olduğu için daha fazla eğitim verisine ihtiyaç duyar.
- dModel, eğitim setine özgü gürültüyü öğrenir ve bu yüzden yeni veride kötü performans gösterir.✓
Açıklama:Overfitting, modelin gerçek ilişkiyi değil eğitim örneklemine özgü örüntüleri (gürültü dahil) öğrenmesi ve bu yüzden yeni veriye genelleyememesi demektir. a şıkkı underfitting'i tarif eder, b ve c ise overfitting'de gerçekte olanın tam tersini anlatır.
Ml Model Training EvaluationZorluk 1
Eğitilmiş bir model bağlamında 'underfitting' nedir?
- aModel, örüntüyü yakalayamayacak kadar basittir; hem eğitim hem de görmediği veride kötü performans gösterir.✓
- bModel, eğitim verisinde son derece iyi ama görmediği veride kötü performans gösterir.
- cModel çok fazla veriyle eğitildiği için eğitim sırasında yakınsama yavaşlar.
- dModel test setinde neredeyse mükemmel doğruluğa ulaşır ama eğitim setinde belirgin biçimde daha düşük doğruluk gösterir.
Açıklama:Underfitting, modelin gerçek sinyali yakalayacak kadar ifade gücüne (veya yeterli öğrenmeye) sahip olmaması durumudur; bu yüzden hata, üzerinde eğitildiği veri dahil her yerde yüksek kalır. b şıkkı ise overfitting'i tarif eder.
Ml Model Training EvaluationZorluk 1
Bir modeli değerlendirmeden önce veri kümesini eğitim seti ve ayrı bir test seti olarak neden böleriz?
- aModelin işlemesi gereken toplam veri miktarını azaltarak eğitim sırasında compute süresinden tasarruf etmek için.
- bÇoğu eğitim algoritması teknik olarak aynı anda belirli bir satır sayısından fazlasını işleyemediği için.
- cGörmediği veri üzerindeki performansı tahmin etmek için; çünkü yalnızca eğitim verisiyle değerlendirme overfitting'i gizleyebilir.✓
- dVeri kümesinde her sınıf etiketinin eşit sayıda görünmesini garanti etmek için.
Açıklama:Modelin hiç eğitilmediği ayrı bir test seti, gerçek dünyadaki genelleme performansını tahmin etmenin standart yoludur; yalnızca eğitim verisi üzerinde değerlendirme overfitting'i gizler ve aşırı iyimser bir skor verir. a, b ve d şıkları bölmenin gerçek nedeni değildir.
Ml Model Training EvaluationZorluk 1
İkili sınıflandırma confusion matrix'inde bir 'false positive' neyi ifade eder?
- aModelin negatif sınıfı doğru tahmin ettiği bir durum.
- bModelin pozitif sınıfı tahmin ettiği ama gerçek etiketin aslında negatif olduğu bir durum.✓
- cModelin negatif sınıfı tahmin ettiği ama gerçek etiketin aslında pozitif olduğu bir durum.
- dModelin pozitif sınıfı doğru tahmin ettiği bir durum.
Açıklama:False positive, yanlış alarm demektir: gerçek etiket 'negatif' olduğu halde model 'pozitif' der. c şıkkı false negative'i (kaçırılan pozitif vakayı) tarif eder, a ve d ise doğru tahminleri anlatır.
Ml Model Training EvaluationZorluk 1
Veri kümesi çok dengesizse (ör. %99 negatif, %1 pozitif), tek başına doğruluk (accuracy) neden yanıltıcı bir metrik olabilir?
- aHer zaman çoğunluk sınıfını tahmin etmek, azınlık sınıfını hiç yakalamadan bile çok yüksek doğruluk verebilir.✓
- bSınıflar dengesiz olduğunda doğruluk hiç hesaplanamaz, çünkü formül her sınıftan eşit sayıda örnek gerektirir.
- cDoğruluk yalnızca regresyon problemlerine uygulanır, sınıflandırma problemlerine uygulanmaz.
- dDoğruluk, azınlık sınıfındaki hatalara göre çoğunluk sınıfındaki hataları daha ağır cezalandırır.
Açıklama:%99/%1'lik bir dağılımda 'her zaman negatif tahmin et' diyen basit bir model bile %99 doğruluk alır ama azınlık sınıfı için tamamen işe yaramazdır; bu yüzden dengesiz veride genelde precision, recall veya PR-AUC gibi metrikler doğrulukla birlikte raporlanır. b, c ve d şıkları doğruluğun tanımını yanlış anlatır.
Ml Model Training EvaluationZorluk 1
Model eğitiminde 'early stopping' (erken durdurma) ne anlama gelir?
- aEğitim başlamadan önce eğitim veri kümesinin boyutunu küçültmek ki süreç daha hızlı bitsin.
- bHer eğitim iterasyonunu hızlandırmak için validation adımını tamamen atlamak.
- cVeri kümesi henüz incelenmeden önce belirlenmiş sabit sayıda iterasyonda eğitimi durdurmak.
- dValidation metriği iyileşmeyi bıraktığında eğitimi durdurmak, overfitting'i önlemek için.✓
Açıklama:Early stopping, eğitim sırasında bir validation metriğini izler ve o metrik iyileşmeyi bıraktığında (veya kötüleşmeye başladığında) eğitimi durdurur; bu, modelin eğitim setindeki gürültüye uymaya devam etmesini engeller. a, b ve c şıkları validation performansına tepki vermeyen alakasız veya sabit prosedürleri anlatır.