← Tüm haftalar
Yapay Zeka Uygulamaları · 3. Hafta · Sınıflandırma Uygulamaları ve Kaggle
3. Hafta · Sınıflandırma Uygulamaları

Bu hafta ilk modelimizi kuruyoruz.

1. haftada yapay zekânın ne olduğunu, 2. haftada verinin ne kadar önemli olduğunu konuştuk. Bu hafta bilgisayar başına geçiyoruz. Hiçbir program kurmayacağız — her şeyi tarayıcıdan, ücretsiz yapacağız.

Bu haftanın tek cümlesi:
Model kurmak kolaydır. Zor olan, doğru veriyi bulmak ve çıkan sonucun gerçekten iyi olup olmadığını anlamaktır.
🎯SınıflandırmaBir şeyi hazır kutulardan birine koymak.
🗂️Veri bulmakHazır veri setlerini nereden indireceğiz?
🏆KaggleVeri + ücretsiz bilgisayar + örnek kodlar.
✅UygulamaAdım adım gerçek bir örnek, sonra kendi projeniz.
Bu haftadan sonra şunları yapabileceksiniz: Kaggle'da hesap açmak, hazır bir veri setini kullanmak, birkaç satır Python ile bir sınıflandırma modeli eğitmek ve modelin gerçekten işe yarayıp yaramadığını anlamak.

“Python bilmiyorum, yapabilir miyim?” Evet. Kodları hazır veriyoruz. Sizden beklenen önce çalıştırmak, sonra her satırın ne işe yaradığını anlamak. Her kod parçasının altında ne yaptığı tek tek yazıyor.
02 · Temel kavram

Sınıflandırma nedir?

Sınıflandırma, bir şeye bakıp onu hazır kutulardan birine koymaktır. Postacının mektupları ilçelere göre ayırması gibi.

Günlük hayat

Posta kutuları

Postacı zarfa bakar, adrese göre doğru kutuya atar. Kutular bellidir; postacı yeni kutu icat etmez.

Bilgisayar

Model

Model de aynısını yapar: önüne gelen satıra bakar ve onu önceden belirlenmiş kutulardan birine koyar.

Şart

Doğru cevaplar

Modelin öğrenebilmesi için elimizde cevabı yazan örnekler olmalı. Cevap yoksa model öğrenemez.

Bir sınıflandırma tablosu neye benzer?

Aşağıda 4 yolcu var. Son sütun bizim tahmin etmek istediğimiz şey; diğer sütunlar modelin bakacağı bilgiler.

CinsiyetYaşBilet sınıfıBilet ücretiKurtuldu mu?
Kadın38171Evet
Erkek2237Hayır
Kadın2638Evet
Erkek3538Hayır

Satır

Bir yolcu. Her satır bir örnek.

Soldaki sütunlar

Modelin bakacağı bilgiler. Bunlara öznitelik denir.

Son sütun

Doğru cevap. Buna etiket ya da hedef denir.

İki kutu da olur, üç kutu da. “Kurtuldu / kurtulamadı” iki kutudur. “Olumlu / olumsuz / nötr” üç kutudur. İkisi de sınıflandırmadır. Önemli olan kutu sayısı değil, cevabın hazır kutulardan biri olmasıdır.
Peki ya cevap bir sayıysa? “Bu evin fiyatı kaç TL olacak?” sorusunun cevabı kutu değil, sayıdır. Buna regresyon (sayı tahmini) denir ve 9. haftanın konusudur. Ayrımı şöyle hatırlayın: kutu seçiyorsak sınıflandırma, sayı söylüyorsak regresyon.
Alıştırma 1Bu soru sınıflandırma mı?

Sekiz soru var. Her biri için bir kutu seçin. Cevabınız doğru da olsa yanlış da olsa kısa bir açıklama göreceksiniz.

03 · Veri bulmak

Veri setini nereden indiririz?

Sıfırdan veri toplamak çok uzun iş. Neyse ki internette hazırlanmış ve ücretsiz paylaşılmış binlerce veri seti var. İşte en çok kullanılan altı kaynak.

🏆Kaggle
kaggle.com/datasets

Bu dersin ana durağı ve başlangıç için en iyi seçenek. Hem veri var, hem veriyi işleyeceğiniz ücretsiz bir bilgisayar, hem de başkalarının yazdığı örnek kodlar.

Buradan başlayın. Dersin geri kalanını burada yapacağız.
TabloGörüntüÖrnek kodÜcretsiz
🎓UCI Veri Arşivi
archive.ics.uci.edu

Üniversitelerin yıllardır kullandığı klasik arşiv. Veri setleri küçük ve temiz olduğu için yeni başlayanlara çok uygun.

İyi olduğu konu: ders ve ödev için küçük, düzenli tablolar.
TabloKüçükTemiz
🇹🇷Türkiye açık veri siteleri
veri.gov.tr · data.tuik.gov.tr

Devletin ve belediyelerin paylaştığı veriler: nüfus, trafik, hava kalitesi, ulaşım.

Dikkat: Buradaki veriler çoğunlukla özet tablolardır (örneğin “2024'te toplam kaza sayısı”). Sınıflandırma için tek tek kayıtlara ihtiyacımız var, bu yüzden ödev için biraz zorlayıcı olabilir.
Kamu verisiYerel
🔎Google Dataset Search
datasetsearch.research.google.com

Veri setleri için arama motoru. Kendi verisi yoktur; aradığınız konuda kimde veri olduğunu bulur.

İyi olduğu konu: “Şu konuda veri var mı acaba?” diye merak ettiğinizde.
Arama motoru
🤗Hugging Face
huggingface.co/datasets

Daha çok metin ve görüntü verisi bulunur. Türkçe veri setleri de burada.

İyi olduğu konu: yorum ve duygu analizi gibi metin işleri.
MetinGörüntüTürkçe
🧰scikit-learn'ün hazır verileri
scikit-learn.org/stable/datasets.html

Hiçbir şey indirmeden tek satırla gelen küçük veri setleri. Bir şeyi hızlıca denemek için birebir.

Dikkat: Hepsi önceden temizlenmiştir. Gerçek hayatta veri hiç böyle gelmez, bu yüzden ödev için uygun değil.
İndirme yokDeneme
04 · Seçim

İyi bir veri setini nasıl seçeriz?

Öğrencilerin en çok vakit kaybettiği yer burasıdır. Bir veri setine karar vermeden önce şu beş soruyu sorun. Birine bile cevap veremiyorsanız başka veri setine geçin.

Cevap sütunu var mı? Tahmin etmek istediğiniz şey tabloda bir sütun olarak duruyor mu? Durmuyorsa sınıflandırma yapamazsınız.
Yeterince satır var mı? Ödev için en az 500 satır isteyeceğim. Çok az satırla çıkan sonuçlar güvenilmez olur.
Kutular dengeli mi? Satırların %95'i tek bir kutudaysa, model hiçbir şey öğrenmeden “hep o kutu” diyerek %95 alır. Böyle veriden uzak durun.
Lisansı yazıyor mu? Veri setinin sayfasında “License” diye bir alan vardır. CC0 ya da CC BY yazıyorsa serbesttir. Unknown yazıyorsa kullanmayın.
İçinde kişisel bilgi var mı? İsim, TC kimlik no, telefon, adres varsa kullanmayın. Bu bilgiler KVKK ile korunur.
Bir uyarı: bazı veri setleri gerçek değildir. Kaggle'da, gerçekmiş gibi duran ama aslında bilgisayarda uydurulmuş veri setleri var. Bu tür verilerde model şaşırtıcı derecede yüksek sonuç verir — çünkü gerçeği değil, veriyi uyduran formülü öğrenir.

Nasıl anlarsınız? Veri setinin açıklamasını okuyun. İçinde synthetic, generated veya simulated kelimeleri geçiyorsa veri uydurmadır. Verinin nereden toplandığı hiç yazmıyorsa da şüphelenin.
05 · Kaggle

Kaggle nedir, hesap nasıl açılır?

Kaggle, Google'a ait ücretsiz bir sitedir; yapay zekâ öğrenenlerin buluştuğu yer. Bizim için üç şeyi aynı anda veriyor.

1

Veri

Yüz binlerce hazır veri seti. İndirmenize bile gerek yok; doğrudan sitenin içinde kullanabilirsiniz.

2

Ücretsiz bilgisayar

Kod yazıp çalıştırabileceğiniz hazır bir ortam. Bilgisayarınız eski olsa bile fark etmez — kod sizin makinenizde değil, Google'ın sunucusunda çalışır.

3

Örnek kodlar

Başkalarının aynı veriyle yazdığı kodları okuyabilir, kopyalayıp kendiniz çalıştırabilirsiniz. Öğrenmenin en hızlı yollarından biri.

Sitedeki bölümler

BölümNe işe yarar
DatasetsVeri setleri. Ödeviniz için veriyi buradan seçeceksiniz.
CodeKod yazdığınız yer (Notebook). Dersin asıl çalışma alanı.
CompetitionsYarışmalar. Herkes aynı veriyle yarışır, gönderilen cevaplar puanlanır.
LearnKısa ve ücretsiz kurslar. “Intro to Machine Learning” kursunu öneriyorum.
DiscussionsSoru-cevap bölümü. Takıldığınızda büyük ihtimalle birisi aynı soruyu sormuştur.

Hesap açmak: üç adım

Kaydolun. kaggle.com adresine gidip Register deyin. Google hesabınızla tek tıkla açabilirsiniz. Ücretsizdir, kart bilgisi istemez.
Profilinizi doldurun. Ad, şehir, meslek (Student) ve okulunuz. Bir dakikalık iş.
Telefonunuzu doğrulayın. Settings → Phone Verification. SMS ile bir kod gelir. Bunu atlarsanız bazı özellikler kapalı kalır, o yüzden en baştan yapın.
Not: Kaggle'da Novice → Contributor → Expert → Master → Grandmaster diye seviyeler var. Hesabınızı açıp profilinizi doldurduğunuzda ve ilk kodunuzu çalıştırdığınızda Contributor seviyesine geçeceksiniz. Bu haftanın küçük hedefi bu olsun.
06 · Çalışma ortamı

İlk Kaggle Notebook'umuz

Notebook, kodu parça parça yazıp çalıştırdığınız bir sayfadır. Her parçaya hücre denir. Bir hücreyi çalıştırırsınız, sonucunu hemen altında görürsünüz.

kaggle.com/code/kullanici-adi/ilk-calismam
Input · eklediğiniz veri
titanic
├ train.csv
├ test.csv
└ gender_submission.csv
+ Add Input
Output · sizin ürettiğiniz dosya
submission.csv
Save Version
hücre 1▶ ÇALIŞTIR
import pandas as pd
veri = pd.read_csv("/kaggle/input/titanic/train.csv")
print(veri.shape)
(891, 12)
hücre 2▶ ÇALIŞTIR
veri.head()
(tablonun ilk 5 satırı görünür)
Gerçek Kaggle ekranı değildir; nasıl çalıştığını göstermek için hazırlanmış bir çizimdir.

Bilmeniz gereken dört şey

1 · Notebook nasıl açılır?

Üst menüden Code → New Notebook. Ya da bir veri setinin sayfasındaki New Notebook düğmesine basarsanız o veri otomatik olarak eklenir — kolay yol budur.

2 · Veri nerede duruyor?

Eklediğiniz veri /kaggle/input/ klasörüne gelir ve değiştirilemez. Sizin ürettiğiniz dosyalar ise /kaggle/working/ klasörüne gider. Dosya yolunu elle yazmayın; sol panelde dosyanın üstüne gelip kopyalayın.

3 · Hücre nasıl çalıştırılır?

Hücrenin solundaki ▶ düğmesine basın ya da Shift + Enter tuşlarına birlikte basın. Sonuç hücrenin hemen altında belirir.

4 · Çalışmam kaybolur mu?

Sağ üstteki Save Version düğmesine basmazsanız kaybolabilir. Önemli bir şey yaptıktan sonra hemen kaydedin. Ödevi de bu düğmeyle kaydedip teslim edeceksiniz.

07 · Örnek

Adım adım örnek: Titanic

Şimdi sizden isteyeceğim şeyi birlikte yapalım. Elimizde Titanic gemisindeki yolcuların listesi var. Soru şu: bir yolcunun bilgilerine bakarak kurtulup kurtulmadığını tahmin edebilir miyiz?

Neden bu örnek?
Çünkü küçük (891 satır), anlaşılır (herkes Titanic'i bilir) ve içinde gerçek hayattaki gibi eksik bilgiler var — yani 2. haftada öğrendiğimiz temizlik işlerini gerçekten uygulayacağız. Kodun tamamı birkaç saniyede çalışır.
Aşağıdaki sonuçlar hakkında: Kod çıktılarını örnek olarak yazdım. Sizde son haneler biraz farklı çıkabilir; bu normaldir, hata değildir. Önemli olan sayıların tam değeri değil, birbirlerine göre durumlarıdır.

Yarışmayı açın ve notebook oluşturun

kaggle.com/c/titanic adresine gidin. Önce Join Competition düğmesine basıp kuralları kabul edin. Sonra Code → New Notebook deyin.

Sol panelde üç dosya göreceksiniz:

  • train.csv — 891 yolcu, kurtulup kurtulmadıkları yazıyor. Model bununla öğrenecek.
  • test.csv — 418 yolcu, kurtulup kurtulmadıkları yazmıyor. Bunları biz tahmin edeceğiz.
  • gender_submission.csv — cevap dosyasının nasıl görünmesi gerektiğini gösteren örnek.

Veriyi okuyun ve bir bakın

hücre 1
import pandas as pd

train = pd.read_csv("/kaggle/input/titanic/train.csv")
test  = pd.read_csv("/kaggle/input/titanic/test.csv")

print("Egitim verisi:", train.shape)
print("Test verisi:", test.shape)

train.head()
Çıktı
Egitim verisi: (891, 12)
Test verisi: (418, 11)
Ne yaptık? pd.read_csv dosyayı okur. shape kaç satır ve kaç sütun olduğunu söyler. head() ilk 5 satırı gösterir.

Test verisinde bir sütun eksik (12 değil 11) — çünkü cevap sütunu orada yok. Zaten onu bizim bulmamız isteniyor.

Eksik bilgileri bulun

hücre 2
train.isna().sum()
Çıktı (sadece boşluğu olan sütunlar)
Age          177
Cabin        687
Embarked       2
Ne yaptık? isna() her hücreye “boş musun?” diye sorar, sum() da bunları toplar.

Sonuç: 891 yolcunun 177'sinin yaşı yazmıyor. Kabin numarası ise 687 yolcuda boş — yani neredeyse hiç yok, bu sütunu hiç kullanmayacağız. Yaş sütununu ise birazdan dolduracağız.

Kaç kişi kurtuldu? (En önemli adım)

hücre 3
print(train["Survived"].value_counts())
print(train["Survived"].value_counts(normalize=True))
Çıktı
0    549      <- kurtulamayan
1    342      <- kurtulan

0    0.616    <- %61,6
1    0.384    <- %38,4
Bu adımı sakın atlamayın. Yolcuların %61,6'sı kurtulamamış. Yani hiç model kurmadan, herkese “kurtulamadı” desek %61,6 doğru tahmin etmiş oluruz!

Bu sayıya taban çizgisi diyoruz. Modelimizin işe yaraması için bu çizgiyi geçmesi gerekir. %65 alan bir model aslında neredeyse hiçbir şey öğrenmemiş demektir.

Hangi bilgi işe yarıyor?

hücre 4
print(train.groupby("Sex")["Survived"].mean())
print(train.groupby("Pclass")["Survived"].mean())
Çıktı
Sex
female    0.742     <- kadinlarin %74,2'si kurtulmus
male      0.189     <- erkeklerin %18,9'u

Pclass
1    0.630          <- 1. sinif yolcular
2    0.473
3    0.242          <- 3. sinif yolcular
Ne yaptık? groupby("Sex") yolcuları cinsiyete göre gruplar, mean() her grubun ortalamasını alır. Cevap sütunu 0 ve 1'lerden oluştuğu için ortalama bize doğrudan kurtulma oranını verir.

Sonuç çok net: Cinsiyet çok şey anlatıyor (%74'e karşı %19). Bilet sınıfı da öyle. Demek ki bu iki sütun modelimiz için değerli olacak.

Veriyi modelin anlayacağı hâle getirin

Modeller sadece sayı anlar; “female” yazısını anlamaz. Ayrıca boş hücrelerden hoşlanmazlar. İkisini de halledelim.

hücre 5
yas_ortancasi   = train["Age"].median()     # 28.0
ucret_ortancasi = train["Fare"].median()

def hazirla(df):
    d = df.copy()
    # 1) Cinsiyeti sayiya cevir: kadin -> 1, erkek -> 0
    d["Kadin"] = (d["Sex"] == "female").astype(int)
    # 2) Bos yaslari ve ucretleri doldur
    d["Age"]  = d["Age"].fillna(yas_ortancasi)
    d["Fare"] = d["Fare"].fillna(ucret_ortancasi)
    # 3) Yeni bilgi uret: yanindaki aile birey sayisi + kendisi
    d["AileBoyu"] = d["SibSp"] + d["Parch"] + 1
    return d

tr = hazirla(train)
te = hazirla(test)

sutunlar = ["Kadin", "Pclass", "Age", "Fare", "AileBoyu"]
X = tr[sutunlar]      # modelin bakacagi bilgiler
y = tr["Survived"]    # dogru cevaplar

X.head()
Çıktı
   Kadin  Pclass   Age   Fare  AileBoyu
0      0       3  22.0   7.25         2
1      1       1  38.0  71.28         2
2      1       3  26.0   7.92         1
3      1       1  35.0  53.10         2
4      0       3  35.0   8.05         1
Üç şey yaptık:
• Yazıyı sayıya çevirdik. (d["Sex"] == "female") ifadesi kadınlar için True, erkekler için False üretir. .astype(int) bunları 1 ve 0 yapar.
• Boşlukları doldurduk. Yazmayan yaşların yerine ortanca yaşı (28) koyduk. Ortanca, ortalamadan daha güvenlidir — 2. haftadaki kaydıraçlı örneği hatırlayın.
• Yeni bir sütun ürettik. SibSp (kardeş/eş sayısı) ile Parch (anne-baba/çocuk sayısı) toplanıp 1 eklenince aile büyüklüğü çıkıyor. Veride böyle bir sütun yoktu, onu biz ürettik.

Küçük ama önemli ayrıntı: Test verisinin boşluklarını da eğitim verisinin ortancasıyla doldurduk. Testin kendi ortancasını kullansaydık, modele görmemesi gereken bir bilgiyi sızdırmış olurduk.

Veriyi ikiye bölün: ders ve sınav

Modeli eğittiğimiz veriyle sınav yapamayız — o soruların cevabını zaten görmüş olur. Bu yüzden elimizdeki 891 satırı ikiye ayırıyoruz.

hücre 6
from sklearn.model_selection import train_test_split

X_egitim, X_sinav, y_egitim, y_sinav = train_test_split(
    X, y, test_size=0.2, random_state=42)

print("Egitim icin:", len(X_egitim), "yolcu")
print("Sinav icin :", len(X_sinav), "yolcu")
Çıktı
Egitim icin: 712 yolcu
Sinav icin : 179 yolcu
Ne yaptık? test_size=0.2 demek “%20'sini sınav için ayır” demektir. 891'in %20'si 179 yapıyor.

random_state=42 ise bölmenin her çalıştırmada aynı olmasını sağlar. Olmasaydı her seferinde farklı yolcular seçilir ve sonucunuz her defasında değişirdi. (42 sayısının özel bir anlamı yoktur, alışkanlıktan kullanılır.)

Modeli eğitin

hücre 7
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

model = DecisionTreeClassifier(max_depth=4, random_state=42)
model.fit(X_egitim, y_egitim)          # ogren

tahmin = model.predict(X_sinav)        # sinav sorularini cevapla
print("Dogruluk:", accuracy_score(y_sinav, tahmin))
Örnek çıktı
Dogruluk: 0.80 civari

Hatirlatma: taban cizgisi 0.616 idi.
Modeli eğitmek bu kadar!
• DecisionTreeClassifier bir karar ağacıdır. “Kadın mı? Evetse… 1. sınıf mı? Evetse…” diye soru sora sora karar verir. İnsanın düşünme biçimine en çok benzeyen model olduğu için başlangıç için idealdir.
• max_depth=4 “en fazla 4 soru sorabilsin” demektir. Sınırlamazsak model ezberlemeye başlar.
• fit öğrenmek, predict tahmin etmek demektir. Bütün scikit-learn modelleri bu iki komutla çalışır.

Sonuç: %80 civarı. Taban çizgisi %61,6 idi — yani modelimiz gerçekten bir şey öğrenmiş, yaklaşık 18 puan iyileştirmiş.

Başka modeller de deneyin

Tek bir modele bağlı kalmayın. Birkaçını deneyip karşılaştırmak çok kolaydır:

hücre 8
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier

modeller = {
    "Karar Agaci":        DecisionTreeClassifier(max_depth=4, random_state=42),
    "Lojistik Regresyon": LogisticRegression(max_iter=1000),
    "Random Forest":      RandomForestClassifier(n_estimators=200, random_state=42),
}

for ad, m in modeller.items():
    m.fit(X_egitim, y_egitim)
    skor = accuracy_score(y_sinav, m.predict(X_sinav))
    print(ad, "->", round(skor, 3))
Örnek çıktı
Karar Agaci        -> 0.80 civari
Lojistik Regresyon -> 0.79 civari
Random Forest      -> 0.81 civari
Üçü de birbirine çok yakın. Buradan çıkaracağınız ders şu: aralarındaki 1–2 puanlık fark çok önemli değil, çünkü sadece 179 yolcu üzerinde ölçtük. Tek bir yolcuyu farklı bilmek skoru yarım puan oynatır.

Asıl haber şu: üçü de taban çizgisini açık ara geçiyor. “Hangi model kazandı?” sorusundan çok daha önemli olan soru budur.

Random Forest nedir? Tek bir karar ağacı yerine yüzlerce ağaç kurup oylarını toplayan bir yöntem. “Bir kişiye değil, kalabalığa sor” mantığı. 6. haftada göreceğiz.

Cevap dosyasını hazırlayın ve gönderin

Son adım. Artık hangi modeli kullanacağımıza karar verdik; o yüzden modeli 891 yolcunun tamamıyla yeniden eğitip test yolcuları için tahmin üretiyoruz.

hücre 9
model = RandomForestClassifier(n_estimators=200, random_state=42)
model.fit(X, y)                    # bu sefer tum 891 yolcu ile

X_test = te[sutunlar]
sonuc = pd.DataFrame({
    "PassengerId": te["PassengerId"],
    "Survived": model.predict(X_test)
})

sonuc.to_csv("submission.csv", index=False)
print(sonuc.shape)
sonuc.head()
Çıktı
(418, 2)

   PassengerId  Survived
0          892         0
1          893         0
2          894         0
3          895         0
4          896         1
Göndermeden önce üç şeyi kontrol edin:
• 418 satır var mı? (test verisi 418 yolcuydu) ✓
• Sütun adları tam olarak PassengerId ve Survived mı? ✓
• index=False yazmayı unutmadık mı? (yazmazsak dosyaya fazladan bir sütun eklenir ve Kaggle kabul etmez) ✓

Göndermek için: Sağ üstten Save Version → Save & Run All. Çalışma bitince Output bölümünde submission.csv görünür; yanındaki Submit düğmesine basın. Birkaç saniye içinde puanınız çıkar.
Şimdi durup bir şeye bakalım
Hiç model kurmadan, sadece “bütün kadınlar kurtuldu, bütün erkekler kurtulamadı” desek Kaggle bize 0,765 puan verir. Bizim modelimiz bunun biraz üstünde çıkıyor.

Bu size garip gelebilir ama çok değerli bir derstir: basit bir kural bazen karmaşık bir modele çok yakın sonuç verir. Bu yüzden her projede önce basit bir şey deneyin — modelinizin geçmesi gereken çizgi odur.
08 · Yorumlama

Sonucu okumak: doğruluk yeterli mi?

“%80 doğruluk aldım” cümlesi tek başına pek bir şey anlatmaz. Asıl soru şudur: model hangi hatayı yapıyor?

Karmaşıklık matrisi

Modelin yaptığı hataları dört kutuda gösteren küçük bir tablodur. Korkutucu adına bakmayın, anlaşılması çok kolaydır:

hücre 10
from sklearn.metrics import confusion_matrix

print(confusion_matrix(y_sinav, tahmin))

✅ Doğru bildiklerimiz

Kurtulamayan birine “kurtulamadı”, kurtulan birine “kurtuldu” dedik. Bu iki kutu ne kadar doluysa o kadar iyi.

❌ İki farklı hata

Yanlış alarm: Kurtulamayan birine “kurtuldu” dedik.
Kaçırma: Kurtulan birine “kurtulamadı” dedik.
Bu ikisi aynı şey değildir ve çoğu zaman biri diğerinden çok daha pahalıdır.

Neden önemli? Bir örnek: Kanser taraması yapan bir model düşünün.
• Yanlış alarm: Hasta olmayan birine “hasta olabilirsin” dedik → kişi tedirgin olur, ek bir test yapılır. Can sıkıcı ama telafi edilebilir.
• Kaçırma: Gerçekten hasta olan birine “sağlıklısın” dedik → çok daha kötü.

İki hatanın bedeli eşit değilse, modelin ayarını da buna göre yapmamız gerekir. Aşağıdaki alıştırma tam olarak bunu gösteriyor.

Model aslında “evet/hayır” demiyor

İşin az bilinen bir yanı var: model aslında bir yüzde üretir — “bu yolcunun kurtulma ihtimali %73” gibi. Sonra Python bunu %50'de kesip evet/hayır'a çevirir. Ama bu %50'yi biz değiştirebiliriz:

hücre 11
# Modelin verdigi yuzdelere bakalim
ihtimal = model.predict_proba(X_sinav)[:, 1]
print(ihtimal[:5].round(2))        # ornek: [0.12 0.89 0.45 0.07 0.63]

# Python'un sessizce yaptigi sey tam olarak budur:
tahmin = (ihtimal >= 0.50).astype(int)

# Ama kesme noktasini biz de secebiliriz:
tahmin = (ihtimal >= 0.35).astype(int)   # daha az kacirma, daha cok yanlis alarm
Alıştırma 2Kesme noktasını oynatın, hataları izleyin

40 yolcu var. Her nokta bir yolcu: sola yakın olanlara model düşük kurtulma ihtimali vermiş, sağa yakın olanlara yüksek. Yeşil noktalar gerçekten kurtulanlar, kırmızı noktalar kurtulamayanlar. Mavi çizginin sağında kalan herkese “kurtuldu” diyoruz.

%50
düşük ihtimal%50yüksek ihtimal
“kurtulamadı”
dedik
“kurtuldu”
dedik
gerçekten
kurtuldu
—❌ kaçırdık
—✅ doğru
gerçekten
kurtulamadı
—✅ doğru
—❌ yanlış alarm
Doğruluk—
Kurtulanların kaçını yakaladık—
“Kurtuldu” dediklerimizin kaçı doğru—

Kitaplarda bu iki ölçünün adı duyarlılık (recall) ve kesinlik (precision) diye geçer. Adlarını şimdi ezberlemeyin; ne işe yaradıklarını anlamanız yeterli. 5. haftada ayrıntılı göreceğiz.

Kaydıracı iki uca da götürün ve şunu görün: Bir hatayı azaltmak her zaman öbürünü artırır. “Hiç hata yapmayan” bir ayar yoktur. Bu yüzden mühendisin işi hatayı sıfırlamak değil, hangi hatayı göze alacağına karar vermektir.
09 · Nasıl çalışıyor?

Model karar verirken ne yapıyor?

Şimdiye kadar modeli kapalı bir kutu gibi kullandık: veriyi verdik, cevap aldık. Peki içeride ne oluyor? Aşağıdaki alıştırma bunu gözle görülür hâle getiriyor.

Yolcuların sadece iki bilgisini bıraktık: yaşı ve bilet ücreti. Böylece hepsini tek bir grafiğe yerleştirebiliyoruz. Model grafiği bölgelere ayırıyor: yeşil bölgeye düşen yolcuya “kurtuldu”, kırmızı bölgeye düşene “kurtulamadı” diyor.

Kullandığımız yöntem KNN (en yakın komşular): yeni bir yolcu geldiğinde ona en çok benzeyen k kişiye bakıp çoğunluğun durumuna göre karar veriyor. Mahalleye yeni taşınan birinin “burası nasıl bir yer?” diye en yakın komşularına sorması gibi.

Alıştırma 3Kaç komşuya sormalı?

Daireler: modelin öğrendiği 34 yolcu. Kareler: modelin hiç görmediği 20 sınav yolcusu. Kaydıracı oynatıp modelin kaç komşuya danıştığını değiştirin.

k = 1
↑ bilet ücretiyaş →
kurtuldu
kurtulamadı
modelin “kurtuldu” bölgesi
modelin “kurtulamadı” bölgesi
üstü ✕ ile çizili kare: yanlış bilinen sınav yolcusu
—öğrendiği yolcularda doğruluk
—sınav yolcularında doğruluk
Asıl ders: iki sayıyı birlikte okuyun.
• k = 1 → öğrendiği yolcularda %100, sınavda sadece %80. Model ezberlemiş. Buna aşırı öğrenme (overfitting) denir.
• k = 5 ile 13 arası → en iyi bölge. Model genel kuralı yakalamış.
• k = 21 ve üstü → ikisi birden %55'e düşüyor. Model artık herkese aynı cevabı veriyor. Buna eksik öğrenme (underfitting) denir.

Yani ne çok az, ne çok fazla. Bu denge makine öğrenmesinin en temel konusudur ve 5. haftada ayrıntılı işleyeceğiz.

Soru: Öğrendiği yolcularda %100 doğruluk alan bir model neden iyi değildir?

Çünkü o soruların cevabını zaten görmüştü. Çıkmış soruları ezberleyen bir öğrenciyi düşünün: aynı soruları sorarsanız 100 alır, yeni bir soru sorarsanız çakar. Biz ise modelin daha önce hiç görmediği yolcularda ne yapacağını merak ediyoruz. Bu yüzden başarıyı her zaman ayırdığımız sınav verisinde ölçeriz.
10 · Dikkat

Sık yapılan altı hata

Ödeve başlamadan bir kez, teslim etmeden önce bir kez daha okuyun.

1 · Taban çizgisini hesaplamamak

“%87 aldım!” Peki satırların %88'i tek bir kutudaysa? O zaman hiçbir şey öğrenmemişsiniz demektir. İlk hesaplayacağınız şey value_counts(normalize=True) olsun.

2 · Eğitim verisindeki skoru rapor etmek

Modeli eğittiğiniz yolcularda ölçtüğünüz doğruluk bir başarı değildir. Raporunuzdaki sayı her zaman ayırdığınız sınav verisinden gelmelidir.

3 · Sadece doğruluğa bakmak

Dolandırıcılık verisinde %99,8 doğruluk, “hiç dolandırıcılık yok” diyen modelin skorudur. Mutlaka karmaşıklık matrisine de bakın.

4 · Kimlik sütununu modele vermek

PassengerId, musteri_no, sıra numarası… Bunlar bilgi taşımaz, sadece modeli şaşırtır. Kullanacağınız sütunları elle seçin — örnekte de öyle yaptık.

5 · Cevabı ele veren sütunu fark etmemek

Hastalığı tahmin ederken “uygulanan tedavi” sütununu kullanmak gibi. O bilgi karar anında elinizde olmazdı. Doğruluğunuz %99 çıkıyorsa sevinmeden önce böyle bir sütun arayın.

6 · Sonucu yorumlamadan teslim etmek

Altı model çalıştırıp tek cümle yorum yazan ödev, iki model çalıştırıp yarım sayfa dürüst yorum yazan ödevden düşük not alır. Kod çalıştırmak kolay, anlamını söylemek zordur.

11 · Ödev

Bu haftanın ödevi

Yukarıdaki Titanic örneğinin aynısını, kendi seçtiğiniz bir veri setiyle yapacaksınız. Yeni bir şey öğrenmenize gerek yok — sadece aynı adımları tekrarlayın.

Görev 1

Kaggle hesabınızı açın ve örneği kendiniz çalıştırın

Hesap açın, profili doldurun, telefonu doğrulayın. Sonra bu ders notundaki Titanic örneğini baştan sona kendiniz yazarak çalıştırın ve en az bir kez Submit edin.

  • Teslim: Kaggle profil bağlantınız ve aldığınız puanın ekran görüntüsü.
  • Not: Puanın yüksek olması önemli değil. Burada ölçtüğümüz şey ortamı kullanabilmeniz.
Görev 2

Kendinize bir veri seti seçin

Kaggle Datasets bölümünden bir sınıflandırma veri seti seçin. Şu şartları sağlamalı:

  • En az 500 satır olsun.
  • Tahmin edeceğiniz cevap sütunu belli olsun.
  • Lisansı yazıyor olsun (Unknown olmasın).
  • İçinde isim, TC no gibi kişisel bilgi olmasın.

Konu fikirleri: e-posta veya SMS spam tespiti, müşterinin aboneliği bırakıp bırakmayacağı, çalışanın işten ayrılıp ayrılmayacağı, ürün yorumunun olumlu mu olumsuz mu olduğu, şarap kalitesi, mantarın zehirli olup olmadığı, banka kredisinin geri ödenip ödenmeyeceği.

Görev 3

Titanic örneğindeki adımları tekrarlayın

Kaggle'da herkese açık (public) bir notebook hazırlayın. Şu sırayı izleyin ve her bölümün başına Markdown hücresiyle bir başlık atın:

  • Problem: Neyi tahmin ediyorsunuz? Bu model kime ne fayda sağlar? (3–4 cümle yeter.)
  • Veri: Veri setinin bağlantısı, lisansı, kaç satır ve kaç sütun olduğu.
  • İnceleme: Eksik değerler ve kutuların dağılımı. En az bir grafik çizin ve altına bir cümle yorum yazın.
  • Taban çizgisi: En kalabalık kutunun oranı. Bu sayı raporda olmak zorunda.
  • Hazırlık: Yazı sütunlarını sayıya çevirin, boşlukları doldurun, kullanacağınız sütunları seçin.
  • Bölme: train_test_split ile %20'sini sınav için ayırın.
  • Model: En az iki model eğitip doğruluklarını karşılaştırın.
  • Karmaşıklık matrisi: Yazdırın ve hangi hatayı daha çok yaptığını bir cümleyle söyleyin.
  • Sonuç: Taban çizgisini geçtiniz mi, ne kadar? Model nerede yanılıyor?

Bitince Save Version → Save & Run All yapın (kodun baştan sona çalıştığının kanıtı) ve notebook'u Public hâle getirin.

Görev 4

Teslim

  • Public notebook bağlantısı (kaggle.com/code/... ile başlayan adres).
  • Bir sayfalık rapor (PDF): problem, veri seti ve lisansı, taban çizgisi, denediğiniz modeller ve skorları, en önemli bir bulgunuz.
Denediğim modelDoğrulukTaban çizgisini geçti mi?
Taban çizgisi (en kalabalık kutu)…—
Karar ağacı……
İkinci modeliniz……

Değerlendirme (100 puan)

ÖlçütNe arıyorumPuan
Veri seti seçimiŞartlara uygun; kaynağı ve lisansı yazılmış.15
İncelemeEksik değerlere ve kutu dağılımına bakılmış; en az bir yorumlanmış grafik var.15
Taban çizgisiHesaplanmış ve modelin skoruyla karşılaştırılmış.15
Hazırlık ve bölmeYazılar sayıya çevrilmiş, boşluklar doldurulmuş, veri eğitim/sınav diye bölünmüş.20
Model ve matrisEn az iki model denenmiş; karmaşıklık matrisi yazdırılmış.20
YorumSonuç kendi cümlelerinizle açıklanmış; modelin nerede yanıldığı söylenmiş.10
DüzenNotebook baştan sona çalışıyor, public ve başlıklara ayrılmış.5
Kabul edilmeyecekler
  • Titanic ve Iris yasak. İkisinin de internette hazır çözümü çok fazla; ödev ölçme özelliğini kaybeder.
  • Başkasının notebook'unu kaynak göstermeden teslim etmek. Başkasının kodundan yararlanmak serbesttir — ama bağlantısını yazın ve neyi değiştirdiğinizi anlatın.
  • Taban çizgisi hesaplanmamış ödev.
  • Çalışmayan notebook. Teslimden önce Save & Run All yapıp hata çıkmadığını görün.
Bir tavsiye: En yüksek doğruluğu alan ödev en yüksek notu almayacak. Puanın yarıdan fazlası skorla hiç ilgili değil. Taban çizgisini 5 puan geçip neden daha fazla geçemediğini dürüstçe açıklayan bir ödev, %99 alıp bunun neden şüpheli olduğunu fark etmeyen ödevden yüksek not alır.
12 · Toparlama

Özet ve ders akışı

Bir sınıflandırma projesinin adımları
1 · Veriyi oku
read_csv
→
2 · Veriye bak
eksikler, kutular
→
3 · Taban çizgisi
en kalabalık kutu
→
4 · Hazırla
sayıya çevir, doldur
→
5 · İkiye böl
eğitim / sınav
→
6 · Eğit
fit
→
7 · Ölç
doğruluk + matris
→
8 · Yorumla
nerede yanılıyor?
3. adımı asla atlamayın: neyi geçmeniz gerektiğini bilmeden hiçbir skorun anlamı yoktur.

Bu haftanın sekiz cümlesi

Dersten sonra tek başınıza yapın

4 saatlik önerilen ders akışı

SüreBölümKonu
0–30 dk01–02Sınıflandırma nedir? Posta kutusu benzetmesi ve örnek tablo. Alıştırma 1 tahtada, cevapları öğrencilere sorarak.
30–55 dk03–04Veri kaynakları canlı olarak gezilir. Lisans ve uydurma veri uyarısı.
55–85 dk05–06Kaggle tanıtımı. Hesap açma ve telefon doğrulama sınıfta birlikte yapılır. Herkes bir notebook açar.
85–95 dk—Ara
95–175 dk07Titanic örneği. Hücreler birlikte yazılır, her adımda “sizce ne çıkacak?” diye sorulur. Herkes bir Submit yapar.
175–205 dk08–09Alıştırma 2 ve 3. Karmaşıklık matrisi, iki hata türü ve ezberleme sorunu.
205–220 dk10Sık yapılan altı hata.
220–240 dk11Ödevin anlatılması ve veri seti seçiminin başlatılması.
Hoca notu: 95–175 dakika aralığı dersin kalbi. İki şey işe yarıyor: (1) Kodu siz yazmadan önce öğrencilere yazdırmak ve çıkan hatayı birlikte okumak. Özellikle /kaggle/input dosya yolu hatası neredeyse herkeste çıkıyor; bu bir sorun değil, öğrenme fırsatıdır. (2) “Herkese kurtulamadı desek %61,6 alırız” anını atlamamak. O an sınıfta bir sessizlik oluyor ve dönemin geri kalanında “taban çizgisi” demek yeterli hâle geliyor.
Gelecek hafta
Bu hafta tablo verisiyle çalıştık: satırlar, sütunlar, sayılar. 4. haftada girdi değişiyor — artık elimizde fotoğraf olacak. Görüntünün aslında bir sayı tablosu olduğunu göreceğiz, OpenCV ile filtreler yazacağız ve filtreyi kendisi öğrenen ağlarla (CNN) tanışacağız.

Final soru: Bir arkadaşınız “modelim %94 doğruluk aldı” diyor. Hangi iki soruyu sorarsınız?

1 · “Taban çizgisi kaçtı?” Satırların %93'ü tek bir kutudaysa %94 bir başarı değil, neredeyse hiçbir şey yapmamak demektir.
2 · “Bu sayıyı hangi veriyle ölçtün?” Modeli eğittiği satırlarla ölçtüyse o sayının bir anlamı yok; sınav için ayırdığı veriyle ölçmüş olması gerekir.

Bu iki soru, bu dersten hatırlamanız gereken en değerli şeydir.