Makine \u00f6\u011frenimi ve veri bilimi d\u00fcnyas\u0131na ad\u0131m atmak isteyenler i\u00e7in Lineer Regresyon, temel ta\u015flardan biridir. Ancak denklemler, terimler ve form\u00fcller ba\u015flang\u0131\u00e7ta g\u00f6z korkutucu olabilir. Endi\u015felenmeyin! Bu makalede, Lineer Regresyon’u en basit haliyle, g\u00fcnl\u00fck hayat\u0131m\u0131zdan keyifli bir \u00f6rnek olan \u00e7ay demleme s\u00fcreci \u00fczerinden ele alaca\u011f\u0131z. Hi\u00e7bir \u00f6n bilgiye ihtiya\u00e7 duymadan, bu g\u00fc\u00e7l\u00fc algoritman\u0131n temel mant\u0131\u011f\u0131n\u0131 ve nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 ke\u015ffedeceksiniz.<\/p>\n
Veri biliminin kap\u0131lar\u0131n\u0131 aralayan Lineer Regresyon, iki de\u011fi\u015fken aras\u0131ndaki do\u011frusal ili\u015fkiyi anlamam\u0131z\u0131 sa\u011flayan temel bir istatistiksel ve makine \u00f6\u011frenimi algoritmas\u0131d\u0131r. Amac\u0131, bir de\u011fi\u015fkenin (ba\u011f\u0131ml\u0131 de\u011fi\u015fken) de\u011ferini, ba\u015fka bir de\u011fi\u015fkenin (ba\u011f\u0131ms\u0131z de\u011fi\u015fken) de\u011feri \u00fczerinden tahmin etmektir. Bu tahmin, veriler aras\u0131ndaki en uygun “do\u011fruyu” bularak yap\u0131l\u0131r.<\/p>\n
Lineer Regresyon’un ana fikri, iki \u015feyin birbiriyle nas\u0131l ili\u015fkili oldu\u011funu bulmakt\u0131r. \u00d6rne\u011fin, bir \u015feyin miktar\u0131 artt\u0131\u011f\u0131nda, ba\u015fka bir \u015fey de art\u0131yor mu, azal\u0131yor mu, yoksa hi\u00e7 mi de\u011fi\u015fmiyor? Bu ili\u015fkileri say\u0131sal olarak ifade etmeye \u00e7al\u0131\u015f\u0131r\u0131z. Bu, gelecekteki olaylar\u0131 tahmin etmek veya belirli sonu\u00e7lar\u0131n nedenlerini anlamak i\u00e7in kritik bir ad\u0131md\u0131r.<\/p>\n
\u00c7ay demlemek, hepimizin a\u015fina oldu\u011fu, basit ama i\u00e7inde bir\u00e7ok de\u011fi\u015fken bar\u0131nd\u0131ran bir s\u00fcre\u00e7tir. Ne kadar \u00e7ay koydu\u011fumuz, suyun s\u0131cakl\u0131\u011f\u0131, demleme s\u00fcresi gibi fakt\u00f6rler, \u00e7ay\u0131n lezzetini do\u011frudan etkiler. Bu s\u00fcre\u00e7, Lineer Regresyon’un ba\u011f\u0131ms\u0131z ve ba\u011f\u0131ml\u0131 de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkiyi modelleme yetene\u011fini a\u00e7\u0131klamak i\u00e7in m\u00fckemmel bir zemin sunar. Karma\u015f\u0131k matematiksel denklemler yerine, bir fincan \u00e7ay\u0131n lezzet yolculu\u011funu takip ederek temel kavramlar\u0131 kolayca kavrayaca\u011f\u0131z.<\/p>\n
Lineer Regresyon, bir \u015feyin ba\u015fka bir \u015feyi nas\u0131l etkiledi\u011fini anlamak istedi\u011fimiz bir\u00e7ok senaryoda kullan\u0131l\u0131r. \u00d6rne\u011fin, bir evin b\u00fcy\u00fckl\u00fc\u011f\u00fc ile fiyat\u0131 aras\u0131ndaki ili\u015fkiyi tahmin etmek, reklam harcamalar\u0131n\u0131n sat\u0131\u015flar \u00fczerindeki etkisini \u00f6l\u00e7mek veya bir \u00f6\u011frencinin ders \u00e7al\u0131\u015fma s\u00fcresi ile s\u0131nav notu aras\u0131ndaki ba\u011flant\u0131y\u0131 bulmak gibi sorunlar i\u00e7in idealdir. Bu, karar verme s\u00fcre\u00e7lerini bilimsel verilere dayand\u0131rmak i\u00e7in g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r.<\/p>\n
\u015eimdi Lineer Regresyon’u \u00e7ay demleme \u00f6rne\u011fiyle somutla\u015ft\u0131ral\u0131m. Amac\u0131m\u0131z, demli\u011fe koydu\u011fumuz \u00e7ay miktar\u0131n\u0131n, \u00e7ay\u0131n lezzetini nas\u0131l etkiledi\u011fini anlamak ve hatta tahmin etmek. Bu senaryoda, Lineer Regresyon’un temel bile\u015fenlerini ad\u0131m ad\u0131m inceleyece\u011fiz.<\/p>\n
Analojimizde, “\u00e7ay miktar\u0131” ba\u011f\u0131ms\u0131z de\u011fi\u015fkendir. Yani, biz bunu kontrol edebiliriz. Demli\u011fe bir ka\u015f\u0131k, iki ka\u015f\u0131k veya \u00fc\u00e7 ka\u015f\u0131k \u00e7ay koyabiliriz. Bu, sonu\u00e7 \u00fczerinde etkisi oldu\u011funu d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcm\u00fcz ve de\u011fi\u015ftirebildi\u011fimiz fakt\u00f6rd\u00fcr. Matematiksel olarak genellikle ‘X’ ile g\u00f6sterilir. \u00c7ay miktar\u0131n\u0131 art\u0131rd\u0131\u011f\u0131m\u0131zda lezzetin nas\u0131l de\u011fi\u015fti\u011fini g\u00f6zlemleyece\u011fiz.<\/p>\n
“Lezzet puan\u0131” ise ba\u011f\u0131ml\u0131 de\u011fi\u015fkendir. Bu, ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin (\u00e7ay miktar\u0131) de\u011fi\u015fimiyle ortaya \u00e7\u0131kan sonu\u00e7tur. \u00c7ay\u0131 demledikten sonra, tad\u0131na bak\u0131p 1’den 10’a kadar bir lezzet puan\u0131 verebiliriz (1: \u00c7ok k\u00f6t\u00fc, 10: M\u00fckemmel). Bu de\u011fi\u015fken, ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin etkisini \u00f6l\u00e7t\u00fc\u011f\u00fcm\u00fcz sonu\u00e7tur ve genellikle ‘Y’ ile g\u00f6sterilir. Amac\u0131m\u0131z, X’i kullanarak Y’yi tahmin etmektir.<\/p>\n
Birka\u00e7 farkl\u0131 \u00e7ay miktar\u0131 deneyip her birine lezzet puan\u0131 verdi\u011fimizi d\u00fc\u015f\u00fcnelim. Bu deneyimlerin her biri, bir “veri noktas\u0131” olu\u015fturur. \u00d6rne\u011fin:<\/p>\n
Bu veri noktalar\u0131, Lineer Regresyon modelimizi e\u011fitmek ve \u00e7ay miktar\u0131 ile lezzet aras\u0131ndaki ili\u015fkiyi \u00f6\u011frenmek i\u00e7in kullanaca\u011f\u0131m\u0131z g\u00f6zlemlerdir. Bu noktalar\u0131 bir grafi\u011fe yerle\u015ftirdi\u011fimizde, aralar\u0131ndaki ili\u015fkiyi g\u00f6rsel olarak g\u00f6rebiliriz.<\/p>\n
Lineer Regresyon’da de\u011fi\u015fkenlerin do\u011fru anla\u015f\u0131lmas\u0131, modelin temelini olu\u015fturur. Ba\u011f\u0131ms\u0131z ve ba\u011f\u0131ml\u0131 de\u011fi\u015fkenleri net bir \u015fekilde tan\u0131mlamak, analizin ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir. \u00c7ay \u00f6rne\u011fimizde bu de\u011fi\u015fkenlerin rollerini daha detayl\u0131 inceleyelim.<\/p>\n
Ba\u011f\u0131ms\u0131z de\u011fi\u015fken (independent variable), genellikle “a\u00e7\u0131klay\u0131c\u0131 de\u011fi\u015fken” veya “\u00f6zellik” olarak da adland\u0131r\u0131l\u0131r. Bu, sonu\u00e7 \u00fczerinde etkisi oldu\u011funu d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcm\u00fcz ve de\u011ferini de\u011fi\u015ftirebildi\u011fimiz de\u011fi\u015fkendir. \u00c7ay analojisinde bu, demli\u011fe koydu\u011fumuz \u00e7ay miktar\u0131d\u0131r. Bu miktar\u0131 art\u0131rarak veya azaltarak lezzet \u00fczerindeki etkisini g\u00f6zlemlemeye \u00e7al\u0131\u015f\u0131r\u0131z. Birden fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fken de olabilir (\u00f6rne\u011fin, \u00e7ay miktar\u0131 ve demleme s\u00fcresi), ancak basit Lineer Regresyon tek bir ba\u011f\u0131ms\u0131z de\u011fi\u015fkenle ilgilenir.<\/p>\n
Ba\u011f\u0131ml\u0131 de\u011fi\u015fken (dependent variable), “yan\u0131t de\u011fi\u015fkeni” veya “hedef de\u011fi\u015fken” olarak da bilinir. Bu, ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin de\u011fi\u015fimine ba\u011fl\u0131 olarak de\u011fi\u015fti\u011fini varsayd\u0131\u011f\u0131m\u0131z sonu\u00e7tur. \u00c7ay \u00f6rne\u011fimizde bu, \u00e7ay\u0131n lezzet puan\u0131d\u0131r. Amac\u0131m\u0131z, ba\u011f\u0131ms\u0131z de\u011fi\u015fken (\u00e7ay miktar\u0131) ile ba\u011f\u0131ml\u0131 de\u011fi\u015fken (lezzet puan\u0131) aras\u0131ndaki ili\u015fkiyi modelleyerek, yeni bir \u00e7ay miktar\u0131 verildi\u011finde lezzet puan\u0131n\u0131 tahmin edebilmektir.<\/p>\n
Lineer Regresyon’un kalbinde basit bir do\u011frusal denklem yatar: <\/p>\n
Y = mX + b<\/pre>\n
Lineer Regresyon’un g\u00f6revi, elimizdeki veri noktalar\u0131na en uygun ‘m’ ve ‘b’ de\u011ferlerini bulmakt\u0131r.<\/p>\n
Lineer Regresyon’un g\u00f6rselle\u015ftirilmesi, genellikle bir da\u011f\u0131l\u0131m grafi\u011fi (scatterplot) ile yap\u0131l\u0131r. Bu grafikte, her bir veri noktam\u0131z (\u00e7ay miktar\u0131, lezzet puan\u0131) bir nokta olarak i\u015faretlenir. Amac\u0131m\u0131z, bu noktalara en yak\u0131n ge\u00e7en bir do\u011fru \u00e7izmektir. Bu do\u011fruya “en uygun do\u011fru” veya “regresyon do\u011frusu” denir.<\/p>\n
Bir ka\u011f\u0131da yatay eksene \u00e7ay miktar\u0131n\u0131 (X), dikey eksene lezzet puan\u0131n\u0131 (Y) i\u015faretledi\u011fimizi d\u00fc\u015f\u00fcn\u00fcn. Her bir demleme deneyimimiz (\u00f6rne\u011fin, 2 ka\u015f\u0131k \u00e7ay, 7 puan) bu grafikte bir nokta olarak yer al\u0131r. Bu noktalar\u0131n genel e\u011filimine bakarak, \u00e7ay miktar\u0131 artt\u0131k\u00e7a lezzetin de artt\u0131\u011f\u0131n\u0131 veya azald\u0131\u011f\u0131n\u0131 g\u00f6rsel olarak anlayabiliriz. Bu g\u00f6rselle\u015ftirme, veriler aras\u0131nda do\u011frusal bir ili\u015fki olup olmad\u0131\u011f\u0131n\u0131 anlaman\u0131n ilk ad\u0131m\u0131d\u0131r.<\/p>\n
Hi\u00e7bir zaman t\u00fcm veri noktalar\u0131ndan *tam olarak* ge\u00e7en bir do\u011fru bulamay\u0131z. Baz\u0131 noktalar do\u011frunun \u00fczerinde, baz\u0131lar\u0131 alt\u0131nda kalacakt\u0131r. Do\u011fru ile ger\u00e7ek veri noktas\u0131 aras\u0131ndaki dikey mesafeye “hata” veya “art\u0131k” (residual) denir. Bu, modelimizin tahmini ile ger\u00e7ek de\u011fer aras\u0131ndaki farkt\u0131r. Amac\u0131m\u0131z, bu hatalar\u0131 m\u00fcmk\u00fcn oldu\u011funca k\u00fc\u00e7\u00fck tutmakt\u0131r. Yani, modelimizin tahminleri ger\u00e7ek de\u011ferlere olabildi\u011fince yak\u0131n olmal\u0131d\u0131r.<\/p>\n
Peki, bu “en uygun do\u011fruyu” nas\u0131l buluruz? \u0130\u015fte burada “En K\u00fc\u00e7\u00fck Kareler Y\u00f6ntemi” (Ordinary Least Squares – OLS) devreye girer. Bu y\u00f6ntem, t\u00fcm veri noktalar\u0131ndan do\u011fruya olan dikey mesafelerin (hatalar\u0131n) karelerinin toplam\u0131n\u0131 en aza indiren ‘m’ (e\u011fim) ve ‘b’ (kesi\u015fim) de\u011ferlerini bulur. Neden karelerini al\u0131yoruz? \u00c7\u00fcnk\u00fc hatalar hem pozitif (nokta do\u011frunun \u00fcst\u00fcnde) hem de negatif (nokta do\u011frunun alt\u0131nda) olabilir ve karelerini almak, t\u00fcm hatalar\u0131 pozitif yaparak toplamlar\u0131n\u0131 do\u011fru bir \u015fekilde hesaplamam\u0131z\u0131 sa\u011flar. Bu sayede, “ortalama olarak” veri noktalar\u0131na en yak\u0131n olan do\u011fruyu bulmu\u015f oluruz.<\/p>\n
Lineer Regresyon modelimizi olu\u015fturup en uygun ‘m’ ve ‘b’ de\u011ferlerini bulduktan sonra, art\u0131k gelecekteki lezzet puanlar\u0131n\u0131 tahmin edebiliriz. Bu, modelin en heyecan verici ve pratik k\u0131sm\u0131d\u0131r.<\/p>\n
Diyelim ki, modelimiz bize \u015fu denklemi verdi: Buna g\u00f6re, 2.2 ka\u015f\u0131k \u00e7ay ile 7 puanl\u0131k bir lezzet bekleyebiliriz. \u0130\u015fte Lineer Regresyon’un g\u00fcc\u00fc budur: Bilmedi\u011fimiz durumlar i\u00e7in tahminler yapabilmek.<\/p>\n Bir tahmin yapabiliriz, ancak bu tahmin ne kadar g\u00fcvenilir? Modelimizin ne kadar iyi oldu\u011funu de\u011ferlendirmek i\u00e7in \u00e7e\u015fitli metrikler kullan\u0131r\u0131z. En yayg\u0131n olanlardan biri R-kare (R-squared) de\u011feridir. R-kare, ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin (\u00e7ay miktar\u0131) ba\u011f\u0131ml\u0131 de\u011fi\u015fkendeki (lezzet puan\u0131) de\u011fi\u015fimin ne kadar\u0131n\u0131 a\u00e7\u0131klad\u0131\u011f\u0131n\u0131 g\u00f6sterir. 0 ile 1 aras\u0131nda bir de\u011fer al\u0131r; 1’e yak\u0131n de\u011ferler modelin \u00e7ok iyi \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131, 0’a yak\u0131n de\u011ferler ise modelin pek a\u00e7\u0131klay\u0131c\u0131 olmad\u0131\u011f\u0131n\u0131 g\u00f6sterir.<\/p>\n Model olu\u015ftururken dikkat etmemiz gereken iki \u00f6nemli durum vard\u0131r:<\/p>\n \u0130yi bir model, bu iki durum aras\u0131nda bir denge bulur ve hem e\u011fitim verilerine iyi uyar hem de yeni verilere genellenebilir.<\/p>\n Lineer Regresyon, basitli\u011fine ra\u011fmen inan\u0131lmaz derecede g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r ve bir\u00e7ok alanda yayg\u0131n olarak kullan\u0131l\u0131r. Ancak her ara\u00e7 gibi, onun da belirli s\u0131n\u0131rlar\u0131 vard\u0131r.<\/p>\n \u00c7ay demleme analojimiz basit olsa da, Lineer Regresyon’un ger\u00e7ek d\u00fcnyadaki uygulamalar\u0131 \u00e7ok geni\u015ftir:<\/p>\n Bu \u00f6rnekler, Lineer Regresyon’un farkl\u0131 sekt\u00f6rlerde nas\u0131l de\u011fer yaratt\u0131\u011f\u0131n\u0131 g\u00f6stermektedir.<\/p>\n Lineer Regresyon’un en b\u00fcy\u00fck avantajlar\u0131ndan biri basitli\u011fidir. Anla\u015f\u0131lmas\u0131 ve yorumlanmas\u0131 kolayd\u0131r. Denklemi (Y = mX + b) sezgiseldir ve ‘m’ ile ‘b’ katsay\u0131lar\u0131, ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin ba\u011f\u0131ml\u0131 de\u011fi\u015fken \u00fczerindeki etkisini do\u011frudan g\u00f6sterir. Bu \u015feffafl\u0131k, i\u015f kararlar\u0131 al\u0131n\u0131rken veya bilimsel hipotezler test edilirken b\u00fcy\u00fck bir avantaj sa\u011flar. Modelin neden belirli bir tahminde bulundu\u011funu a\u00e7\u0131klamak kolayd\u0131r.<\/p>\n Lineer Regresyon, ad\u0131ndan da anla\u015f\u0131laca\u011f\u0131 gibi, de\u011fi\u015fkenler aras\u0131nda do\u011frusal bir ili\u015fki oldu\u011funu varsayar. E\u011fer verileriniz aras\u0131ndaki ili\u015fki do\u011frusal de\u011filse (\u00f6rne\u011fin, U \u015feklinde veya S \u015feklinde bir e\u011fri takip ediyorsa), Lineer Regresyon iyi sonu\u00e7lar vermeyecektir. Ayr\u0131ca, ayk\u0131r\u0131 de\u011ferlere (outliers) kar\u015f\u0131 hassast\u0131r; veri setindeki birka\u00e7 a\u015f\u0131r\u0131 de\u011fer, regresyon do\u011frusunu \u00f6nemli \u00f6l\u00e7\u00fcde etkileyebilir. E\u011fer ba\u011f\u0131ms\u0131z de\u011fi\u015fkenler aras\u0131nda y\u00fcksek bir korelasyon (multicollinearity) varsa veya ba\u011f\u0131ml\u0131 de\u011fi\u015fken kategorik ise (\u00f6rne\u011fin, evet\/hay\u0131r gibi), Lineer Regresyon yerine ba\u015fka algoritmalar tercih edilmelidir.<\/p>\n Lineer Regresyon, sadece bir fincan \u00e7ay\u0131n lezzetini tahmin etmekten \u00e7ok daha fazlas\u0131n\u0131 yapar. Veri biliminin ve makine \u00f6\u011freniminin temel ta\u015flar\u0131ndan biri olarak, modern d\u00fcnyada bir\u00e7ok alanda kritik roller \u00fcstlenir.<\/p>\n \u015eirketler, Lineer Regresyon’u sat\u0131\u015flar\u0131 tahmin etmek, m\u00fc\u015fteri davran\u0131\u015flar\u0131n\u0131 anlamak, fiyatland\u0131rma stratejilerini optimize etmek ve yat\u0131r\u0131m kararlar\u0131 almak i\u00e7in kullan\u0131r. \u00d6rne\u011fin, bir perakendeci, ge\u00e7mi\u015f verileri kullanarak belirli bir \u00fcr\u00fcn\u00fcn gelecekteki talebini tahmin edebilir ve buna g\u00f6re stok seviyelerini ayarlayabilir. Bu, kaynaklar\u0131n daha verimli kullan\u0131lmas\u0131na ve k\u00e2rl\u0131l\u0131\u011f\u0131n art\u0131r\u0131lmas\u0131na yard\u0131mc\u0131 olur.<\/p>\n Bilim insanlar\u0131, Lineer Regresyon’u \u00e7e\u015fitli de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkileri test etmek ve hipotezleri do\u011frulamak i\u00e7in kullan\u0131r. T\u0131p, sosyoloji, psikoloji ve \u00e7evre bilimleri gibi alanlarda, bir fakt\u00f6r\u00fcn ba\u015fka bir fakt\u00f6r \u00fczerindeki etkisini nicel olarak \u00f6l\u00e7mek i\u00e7in vazge\u00e7ilmez bir ara\u00e7t\u0131r. \u00d6rne\u011fin, bir ara\u015ft\u0131rmac\u0131, belirli bir \u00e7evresel kirleticinin bir b\u00f6lgedeki hastal\u0131k oranlar\u0131 \u00fczerindeki etkisini Lineer Regresyon ile analiz edebilir.<\/p>\n Lineer Regresyon, bir\u00e7ok karma\u015f\u0131k makine \u00f6\u011frenimi algoritmas\u0131n\u0131n temelini olu\u015fturur. Daha geli\u015fmi\u015f modelleri anlamak i\u00e7in Lineer Regresyon’un prensiplerini kavramak \u015fartt\u0131r. Ayr\u0131ca, yapay zeka alan\u0131nda “yorumlanabilirlik” (interpretability) giderek daha \u00f6nemli hale gelirken, Lineer Regresyon gibi \u015feffaf modellerin de\u011feri artmaktad\u0131r. Bu, veri bilimcileri ve makine \u00f6\u011frenimi m\u00fchendisleri i\u00e7in ba\u015flang\u0131\u00e7ta \u00f6\u011frenilmesi gereken en temel algoritmalardan biridir.<\/p>\n Bu makalede, Lineer Regresyon’un temel prensiplerini, \u00e7ay demleme analojisiyle s\u0131f\u0131r bilgi d\u00fczeyinden ba\u015flayarak ke\u015ffettik. Ba\u011f\u0131ms\u0131z ve ba\u011f\u0131ml\u0131 de\u011fi\u015fkenlerin ne oldu\u011funu, regresyon denkleminin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 ve en uygun do\u011frunun nas\u0131l bulundu\u011funu \u00f6\u011frendik. Art\u0131k Lineer Regresyon’un sadece bir fincan \u00e7ay\u0131n lezzetini tahmin etmekle kalmay\u0131p, i\u015f d\u00fcnyas\u0131ndan bilimsel ara\u015ft\u0131rmalara kadar pek \u00e7ok alanda nas\u0131l kullan\u0131ld\u0131\u011f\u0131n\u0131 ve makine \u00f6\u011frenimi yolculu\u011funuzda neden bu kadar \u00f6nemli bir ba\u015flang\u0131\u00e7 noktas\u0131 oldu\u011funu biliyorsunuz. Unutmay\u0131n, en karma\u015f\u0131k kavramlar bile do\u011fru analoji ve ad\u0131mlarla kolayca anla\u015f\u0131labilir hale gelebilir. \u015eimdi bir fincan \u00e7ay demleyin ve \u00f6\u011frendiklerinizi d\u00fc\u015f\u00fcn\u00fcn!<\/p>\n Lineer Regresyon’un temel amac\u0131, bir ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin (veya birden fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin) bir ba\u011f\u0131ml\u0131 de\u011fi\u015fken \u00fczerindeki do\u011frusal etkisini modellemek ve bu model arac\u0131l\u0131\u011f\u0131yla gelecekteki de\u011ferleri tahmin etmektir.<\/p>\n Evet, Lineer Regresyon, de\u011fi\u015fkenler aras\u0131nda do\u011frusal bir ili\u015fki oldu\u011funu varsayar. E\u011fer ili\u015fki do\u011frusal de\u011filse, modelin performans\u0131 d\u00fc\u015f\u00fck olacakt\u0131r. Bu durumda, do\u011frusal olmayan regresyon y\u00f6ntemleri veya di\u011fer makine \u00f6\u011frenimi algoritmalar\u0131 tercih edilebilir.<\/p>\n Basit Lineer Regresyon, say\u0131sal (s\u00fcrekli) ba\u011f\u0131ml\u0131 de\u011fi\u015fkenler i\u00e7in tasarlanm\u0131\u015ft\u0131r. Ancak, ba\u011f\u0131ms\u0131z de\u011fi\u015fkenler kategorik olabilir, ancak bu durumda bu de\u011fi\u015fkenleri “kukla de\u011fi\u015fkenler” (dummy variables) ad\u0131 verilen say\u0131sal formata d\u00f6n\u00fc\u015ft\u00fcrmek gerekir. Ba\u011f\u0131ml\u0131 de\u011fi\u015fken kategorik ise (\u00f6rne\u011fin evet\/hay\u0131r), Lojistik Regresyon gibi ba\u015fka bir model kullanmak daha uygun olur.<\/p>\n Emlak fiyat tahmini (evin b\u00fcy\u00fckl\u00fc\u011f\u00fcne g\u00f6re), reklam harcamalar\u0131n\u0131n sat\u0131\u015flar \u00fczerindeki etkisi, bir \u00f6\u011frencinin ders \u00e7al\u0131\u015fma s\u00fcresine g\u00f6re s\u0131nav notu tahmini ve hava s\u0131cakl\u0131\u011f\u0131na g\u00f6re dondurma sat\u0131\u015flar\u0131n\u0131n tahmini Lineer Regresyon’un yayg\u0131n ger\u00e7ek d\u00fcnya uygulamalar\u0131ndand\u0131r.<\/p>\n Evet, Lineer Regresyon hem istatistiksel bir modelleme tekni\u011fi hem de denetimli \u00f6\u011frenme (supervised learning) kategorisine giren temel bir makine \u00f6\u011frenimi algoritmas\u0131d\u0131r. Bir veri k\u00fcmesinden \u00f6\u011frenerek yeni verilere tahmin yapma yetene\u011fine sahiptir.<\/p>\n","protected":false},"excerpt":{"rendered":"\u00c7ay Analojisiyle Lineer Regresyon: Yeni Ba\u015flayanlar \u0130\u00e7in S\u0131f\u0131r Bilgi Rehberi\nMakine \u00f6\u011frenimi ve veri bilimi d\u00fcnyas\u0131na ad\u0131m atmak isteyenler i\u00e7in…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-36619","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nLezzet Puan\u0131 = 2.5 * \u00c7ay Miktar\u0131 + 1.5<\/code>. \u015eimdi, daha \u00f6nce hi\u00e7 denemedi\u011fimiz 2.2 ka\u015f\u0131k \u00e7ay koyarsak lezzet puan\u0131n\u0131n ne olaca\u011f\u0131n\u0131 merak ediyoruz. Yapmam\u0131z gereken tek \u015fey, X yerine 2.2 koymak:<\/p>\n\nLezzet Puan\u0131 = 2.5 * 2.2 + 1.5\nLezzet Puan\u0131 = 5.5 + 1.5\nLezzet Puan\u0131 = 7\n<\/pre>\n
Modelin G\u00fcvenilirli\u011fi<\/h4>\n
A\u015f\u0131r\u0131 Uyum (Overfitting) ve Az Uyum (Underfitting)<\/h4>\n
\n
Lineer Regresyonun G\u00fcc\u00fc ve S\u0131n\u0131rlar\u0131<\/h3>\n
Ger\u00e7ek D\u00fcnya Uygulamalar\u0131<\/h4>\n
\n
Basitli\u011fin Avantaj\u0131<\/h4>\n
Ne Zaman Lineer Regresyon Kullanmamal\u0131y\u0131z?<\/h4>\n
\u00c7aydan \u00d6tesi: Lineer Regresyonun \u00d6nemi<\/h3>\n
\u0130\u015f D\u00fcnyas\u0131nda Karar Verme<\/h4>\n
Bilimsel Ara\u015ft\u0131rmalarda Kullan\u0131m<\/h4>\n
Makine \u00d6\u011frenimine Giri\u015f Kap\u0131s\u0131<\/h4>\n
Sonu\u00e7<\/h3>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
Lineer Regresyon’un temel amac\u0131 nedir?<\/h4>\n
Lineer Regresyon sadece do\u011frusal ili\u015fkiler i\u00e7in mi kullan\u0131l\u0131r?<\/h4>\n
Lineer Regresyon’u kategorik verilerle kullanabilir miyim?<\/h4>\n
Lineer Regresyon’un ger\u00e7ek d\u00fcnyadan birka\u00e7 \u00f6rne\u011fi nelerdir?<\/h4>\n
Lineer Regresyon bir t\u00fcr makine \u00f6\u011frenimi midir?<\/h4>\n