Predictive Modeling

Tahmine dayalı modelleme, bir müşterinin iptal edip etmeyeceği, bir mağazanın gelecek hafta ne kadar satış yapacağı veya bir taramada hastalık belirtisi olup olmadığı gibi bilinmeyen ya da henüz gerçekleşmemiş bir sonucu tahmin etmek için geçmiş verilerden istatistiksel veya makine öğrenimi modeli oluşturma sürecidir. Model, denetimli öğrenimin bir biçimi olarak, geçmiş örneklerde girdi özellikleriyle bilinen bir sonucun ilişkisini öğrenir ve ardından bu ilişkiyi yeni durumlara uygular; çoğu zaman tahminin yanı sıra bir olasılık veya aralık da döndürür. Tahmine dayalı analitik, bu modelleri pazarlama, finans, operasyon ve sağlık hizmetlerindeki kararlara uygulama iş pratiğidir. Ne olduğunu özetleyen betimleyici analitik ile bu konuda ne yapılmasını öneren kuralcı analitik arasında yer alır.

Tahmine Dayalı Modelleme İş Akışı#

Bir proje, hedefi ve bu hedefin hangi karara bilgi sağlayacağını tanımlayarak başlar; ardından tahminin yapılacağı andaki girdilerin bilindiği geçmiş örnekleri bir araya getirir. Özellik mühendisliği, ham kayıtları model girdilerine dönüştürür ve veriler eğitim, doğrulama ve test kümelerine ayrılır. Tahmin problemlerinde, modelin her zaman öğrendiği dönemlerden daha sonraki dönemlerde değerlendirilmesi için veriler zamana göre bölünür; burada rastgele bölme veya yanıtı kodlayan herhangi bir özellik veri sızıntısına ve şişirilmiş puanlara yol açar. Aday modeller, ayrılmış verilerde basit bir temel çizgiyle karşılaştırılır. Dağıtımdan sonra, dünya değiştikçe modelin öğrendiği ilişkiler zayıfladığı için model veri kayması bakımından izlenir.

Değerlendirmede karara uygun ölçütler kullanılır: sınıflandırıcılar için kesinlik, duyarlılık ve ROC eğrisi altındaki alan; sayısal tahminler için ortalama mutlak hata (MAE) veya kök ortalama kare hata. Çapraz doğrulama, çeşitli eğitim-test bölmelerinin ortalamasını alarak küçük veri kümelerindeki performansı tahmin eder. Bu örnek, bir hastanın başlangıç ölçümlerinden bir yıl sonraki diyabet ilerlemesini tahmin etmek için scikit-learn kullanır ve iki modeli her zaman ortalamayı tahmin eden bir temel çizgiyle karşılaştırır:

from sklearn.datasets import load_diabetes
from sklearn.dummy import DummyRegressor
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.linear_model import Ridge
from sklearn.model_selection import cross_val_score

# 442 patients: 10 baseline measurements and disease progression one year later
X, y = load_diabetes(return_X_y=True)

models = {
    "Baseline (always predict the mean)": DummyRegressor(),
    "Ridge regression": Ridge(alpha=0.1),
    "Gradient-boosted trees": HistGradientBoostingRegressor(max_depth=3, random_state=0),
}
for name, model in models.items():
    # Mean absolute error on held-out folds of 5-fold cross-validation
    scores = cross_val_score(model, X, y, cv=5, scoring="neg_mean_absolute_error")
    print(f"{name}: MAE {-scores.mean():.1f}")

Temel çizgi, ilerleme puanında ortalama 66,0 puan sapar; ridge regresyonu 44,6, gradyan artırmalı ağaçlar ise 46,5 puan sapar. Dolayısıyla her iki model de hatayı yaklaşık üçte bir oranında azaltır ve bu 442 hastada daha basit doğrusal model daha doğrudur.

Tahmine Dayalı Model Türleri#

Tahmine dayalı modeller, tahmin ettikleri sonuca göre farklılık gösterir. Lojistik regresyon ve karar ağaçları gibi sınıflandırma modelleri bir kategori ve genellikle o kategorinin olasılığını tahmin eder. Doğrusal regresyon gibi regresyon modelleri bir sayı tahmin eder. Zaman serileri için tahmin modelleri, dizinin kendi geçmişinden, mevsimselliğinden ve dış etkenlerden yola çıkarak gelecekteki değerleri tahmin eder. Sağkalım modelleri ise bir makine arızası gibi bir olayın gerçekleşmesine kadar geçen süreyi, henüz gerçekleşmemiş olayları da kapsayacak şekilde tahmin eder. Tablo biçimli verilerde yaygın algoritmalar, düzenlileştirilmiş doğrusal modeller ve rastgele ormanlar ile XGBoost gibi ağaç topluluklarıdır. Sinir ağları ise görüntü, ses ve metinde öne çıkar; tablo verileri için temel modeller de her veri kümesi için model eğitmeden yeni tablolarda tahmin yapar.

Bilgisayarlı Görüde Tahmine Dayalı Modelleme#

Görüntü modelleri, girdileri pikseller olan tahmine dayalı modellerdir. YOLO26, tahmin modunda görüntüde bulduğu her nesne için tahmin edilen sınıfı, güven puanını ve kutu koordinatlarını döndürür; bu tahminlerden elde edilen nesne sayıları, personel planlaması için saatlik yaya trafiği gibi sonraki tahminlerde genellikle girdi özellikleri olarak kullanılır.

Uygulamalar#

• Tahmine dayalı bakım: Titreşim, sıcaklık ve çalışma süresi verileri üzerinde eğitilmiş modeller, bir bileşenin ne zaman arızalanacağını tahmin eder; böylece onarımlar sabit bir takvime göre değil, arızadan önce yapılır.
• Sağlık hizmetleri: Risk modelleri hasta kayıtlarından hastaneye yeniden yatış veya sepsis olasılığını tahmin eder; görüntüleme modelleri ise radyologların önce incelemesi için olası bulguları işaretler.
• Kredi ve dolandırıcılık puanlaması: Bankalar, bir borçlunun temerrüde düşme veya bir kart işleminin dolandırıcılık olma olasılığını tahmin eder ve yetkilendirme sırasında her kart işlemini gerçek zamanlı olarak puanlar.
• Talep ve stok planlaması: Perakendeciler, ne kadar stok sipariş edeceklerine karar vermek için geçmiş veriler, fiyatlar, promosyonlar ve tatillerden yararlanarak mağaza ve ürün başına satışları tahmin eder.

Tahmine Dayalı Modelleme ve İlgili Terimler#

• Veri madenciliği: Tahmin edilecek bir hedef olsun ya da olmasın, büyük veri kümelerinde örüntüleri, kümeleri ve ilişkileri arar; tahmine dayalı modelleme ise her zaman belirli bir sonucu tahmin eder.
• Üretken yapay zekâ: Yeni metin, görüntü veya ses oluşturmak için verinin dağılımını modeller; tahmine dayalı model ise bir girdiyi hedef değere eşler.
• Nedensel çıkarım: Bir müdahalede bulunulduğunda ne olacağını tahmin eder; tahmine dayalı bir model ise tek başına korelasyonlardan bu soruyu yanıtlayamaz. 1990'lardaki zatürre kayıtlarıyla eğitilen bir model, astımı olan hastaların ölüm riskinin daha düşük olduğunu öğrendi; çünkü bu hastalar genellikle doğrudan yoğun bakıma yatırılıyordu. Bu tahmine göre hareket etmek, yüksek riskli hastaların eve gönderilmesine yol açabilirdi.