Linear Regression

Lineer Regresyon, bağımlı bir değişken (hedef) ile bir veya daha fazla bağımsız değişken (özellikler) arasındaki ilişkiyi modellemek için kullanılan, temel bir istatistiksel yöntem ve gözetimli öğrenme içinde temel bir algoritmadır. Ayrık kategorileri tahmin eden sınıflandırma algoritmalarının aksine lineer regresyon, sürekli bir çıktı tahmin eder; bu da onu amacın belirli sayısal değerleri tahmin etmek olduğu görevler için vazgeçilmez kılar. Basitliği ve yorumlanabilirliği, modellerin verilerden hatayı en aza indirerek nasıl öğrendiğinin temel mekanizmalarını tanıttığı için, daha karmaşık makine öğrenimi (ML) kavramlarını anlamaya açılan bir geçit görevi görür.

Temel Mekanizmalar ve Eğitim#

Bu tekniğin birincil hedefi, veri desenini en iyi tanımlayan "en iyi uyum doğrusunu" (veya daha yüksek boyutlarda bir hiper düzlemi) bulmaktır. Bunu başarmak için algoritma, girdi özelliklerinin ağırlıklı toplamını artı bir sapma (bias) terimi hesaplar. Eğitim süreci boyunca model, tahminleri ile gerçek yer deðeri (ground truth) arasındaki tutarsızlığı azaltmak için ağırlıklar ve sapmalar olarak bilinen bu dahili parametreleri yinelemeli olarak ayarlar.

Bu tutarsızlık, en yaygın seçenek Ortalama Kare Hatası (MSE) olmak üzere bir kayıp fonksiyonu kullanılarak nicelleştirilir. Kaybı etkili bir şekilde en aza indirmek için, ağırlıkları güncellemek amacıyla gradyan inişi gibi bir optimizasyon algoritması kullanılır. Model, eğitim verilerindeki gürültüyle çok yakından uyuşursa aşırı öğrenme (overfitting) riskiyle karşı karşıya kalır; temel eğilimi yakalayamayacak kadar basit bir model ise eksik öğrenmeden (underfitting) muzdarip olur.

Yapay Zekada Gerçek Dünya Uygulamaları#

Genellikle veri analitiği içindeki basit tahminleme modellemesi ile ilişkilendirilse de lineer regresyon ilkeleri, gelişmiş derin öğrenme (DL) mimarilerinde derinlemesine yer almaktadır.

• Finansal Tahminleme: Analistler, metrekare, konum veya geçmiş pazar eğilimleri gibi geçmiş veri noktalarına dayanarak konut fiyatlarını, hisse senedi değerlerini veya satış gelirlerini tahmin etmek için regresyonu kullanırlar.
• Bilgisayarlı Görü ve Nesne Tespiti: YOLO26 model ailesi gibi modern nesne dedektörleri, tespit başlıklarında regresyon kullanır. Özellikle model, bir görüntünün içindeki bir nesnenin kesin sürekli koordinatlarını (merkez x, merkez y, genişlik, yükseklik) tahmin etmek için "sınırlayıcı kutu regresyonu" (bounding box regression) gerçekleştirir.

Doğrusal Regresyon ve Lojistik Regresyon Karşılaştırması#

Bu terimi Lojistik Regresyon teriminden ayırt etmek önemlidir. Her ikisi de lineer modeller olmasına rağmen çıktıları önemli ölçüde farklılık gösterir. Lineer regresyon sürekli bir sayısal değer (ör. bir arabanın fiyatı) tahmin eder. Buna karşılık lojistik regresyon, lineer çıktıyı sigmoid fonksiyonu gibi bir aktivasyon fonksiyonundan geçirerek bir girdinin belirli bir kategoriye ait olma olasılığını tahmin eden sınıflandırma görevleri için kullanılır (ör. bir e-postanın "spam" veya "spam değil" olup olmadığı).

Örnek: Nesne Tespiti'nde Regresyon#

Bilgisayarlı görü bağlamında, Ultralytics YOLO26 gibi bir model bir nesne tespit ettiğinde, sınırlayıcı kutu koordinatları bir regresyon görev陣inin sonucudur. Model, nesnenin yerini hassas bir şekilde 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 setleri için bu regresyon yeteneklerinden yararlanan özel modeller eğitmek isteyen kullanıcılar, kolaylaştırılmış etiketleme ve bulut eğitimi için Ultralytics Platform kullanabilir. Bu temel regresyon ilkelerini anlamak, yapay zeka (AI) ve bilgisayarlı görü alanlarındaki karmaşık görevlerde uzmanlaşmak için sağlam bir temel sağlar.