Linear Regression

Doğrusal regresyon, bağımlı bir değişken (hedef) ile bir veya daha fazla bağımsız değişken (özellik) arasındaki ilişkiyi modellemek için denetimli öğrenmede kullanılan temel bir istatistiksel yöntem ve temel bir algoritmadır. Ayrık kategorileri tahmin eden sınıflandırma algoritmalarının aksine doğrusal regresyon, sürekli bir çıktı tahmin eder ve bu özelliği, amacın belirli sayısal değerleri öngörmek olduğu görevler için onu vazgeçilmez kılar. Basitliği ve yorumlanabilirliği, daha karmaşık makine öğrenimi (ML) kavramlarını anlamaya geçiş sağlar; çünkü modellerin hatayı en aza indirerek verilerden nasıl öğrendiğine ilişkin temel mekanizmaları tanıtır.

Temel Mekanizmalar ve Eğitim#

Bu tekniğin temel amacı, veri örüntüsünü en iyi açıklayan "en iyi uyum doğrusu"nu veya daha yüksek boyutlarda bir hiper düzlemi bulmaktır. Bunu gerçekleştirmek için algoritma, girdi özelliklerinin ağırlıklı toplamına bir bias terimi ekler. Eğitim sürecinde model, tahminleri ile gerçek referans değerler arasındaki farkı azaltmak için ağırlıklar ve bias değerleri olarak bilinen bu dahili parametreleri yinelemeli olarak ayarlar.

Bu fark, bir kayıp fonksiyonu kullanılarak ölçülür ve en yaygın tercih Ortalama Kare Hatası (MSE) olur. Kaybı etkili bir şekilde en aza indirmek için ağırlıkları güncellemek üzere gradyan inişi gibi bir optimizasyon algoritması kullanılır. Model, eğitim verilerindeki gürültüyle gereğinden fazla örtüşürse aşırı öğrenme riskiyle karşı karşıya kalır; temel eğilimi yakalayamayacak kadar basit bir model ise yetersiz öğrenme sorunu yaşar.

Yapay Zekâda Gerçek Dünya Uygulamaları#

Genellikle veri analitiğinde basit tahmine dayalı modellemeyle ilişkilendirilse de doğrusal regresyon ilkeleri, gelişmiş derin öğrenme (DL) mimarilerine derinlemesine yerleşmiştir.

• Finansal Tahmin: Analistler; metrekare, konum veya önceki piyasa eğilimleri gibi geçmiş veri noktalarına dayanarak konut fiyatlarını, hisse senedi değerlerini veya satış gelirlerini tahmin etmek için regresyonu kullanır.
• Bilgisayarlı Görü ve Nesne Tespiti: YOLO26 model ailesi gibi modern nesne tespitçileri, tespit başlıklarında regresyondan yararlanır. Model, bir görüntüdeki nesnenin kesin sürekli koordinatlarını (merkez x, merkez y, genişlik, yükseklik) tahmin etmek için özellikle "sınırlayıcı kutu regresyonu" gerçekleştirir.

Doğrusal Regresyon ve Lojistik Regresyon#

Bu terimi Lojistik Regresyon teriminden ayırt etmek önemlidir. Her ikisi de doğrusal model olsa da çıktıları önemli ölçüde farklıdır. Doğrusal regresyon sürekli bir sayısal değer (ör. bir arabanın fiyatı) tahmin eder. Buna karşılık lojistik regresyon, doğrusal çıktıyı sigmoid işlevi gibi bir aktivasyon işlevinden geçirerek bir girdinin belirli bir kategoriye ait olma olasılığını (ör. bir e-postanın "spam" veya "spam değil" olması) tahmin eden sınıflandırma görevleri için kullanılır.

Örnek: Nesne Tespitinde Regresyon#

Bilgisayarlı görü bağlamında, Ultralytics YOLO26 gibi bir model bir nesne tespit ettiğinde sınırlayıcı kutu koordinatları bir regresyon görevinin sonucudur. Model, nesnenin konumunu kesin olarak belirlemek için sürekli değerler tahmin eder.

from ultralytics import YOLO

# Load the YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image
# The model uses regression to determine the exact box placement
results = model("https://ultralytics.com/images/bus.jpg")

# Display the continuous regression outputs (x, y, width, height)
for box in results[0].boxes:
    print(f"Box Regression Output (xywh): {box.xywh.numpy()}")

Özel veri kümeleri için bu regresyon yeteneklerinden yararlanan özel modelleri eğitmek isteyen kullanıcılar, kolaylaştırılmış etiketleme ve bulut eğitimi için Ultralytics Platform'dan yararlanabilir. Bu temel regresyon ilkelerini anlamak, yapay zekâ (AI) ve bilgisayarlı görü alanlarındaki karmaşık görevlerde uzmanlaşmak için sağlam bir temel sağlar.