Makine \u00f6\u011frenimi, son y\u0131llarda yapay zeka alan\u0131nda devrim niteli\u011finde ilerlemeler kaydetmi\u015f, finans, sa\u011fl\u0131k, e-ticaret ve daha pek \u00e7ok sekt\u00f6rde karar alma s\u00fcre\u00e7lerini k\u00f6kten de\u011fi\u015ftirmi\u015ftir. Geli\u015fmi\u015f algoritmalar sayesinde karma\u015f\u0131k veri setlerinden anlaml\u0131 \u00f6r\u00fcnt\u00fcler \u00e7\u0131karabilen ve y\u00fcksek do\u011frulukla tahminler yapabilen modeller in\u015fa etmek art\u0131k m\u00fcmk\u00fcn. Ancak, bu modellerin artan karma\u015f\u0131kl\u0131\u011f\u0131, beraberinde \u00f6nemli bir zorlu\u011fu da getirmektedir: “kara kutu” problemi. \u00d6zellikle derin \u00f6\u011frenme ve ensemble modelleri gibi karma\u015f\u0131k yap\u0131lar, neden belirli bir tahminde bulunduklar\u0131n\u0131 a\u00e7\u0131klamakta zorlan\u0131r. \u0130\u015fte bu noktada, model yorumlanabilirli\u011fi, yani “explainable AI (XAI)”, sadece bir l\u00fcks olmaktan \u00e7\u0131k\u0131p bir zorunluluk haline gelmi\u015ftir.<\/p>\n
Bu makale, y\u00fcksek performans\u0131yla bilinen pop\u00fcler bir makine \u00f6\u011frenimi algoritmas\u0131 olan XGBoost’u derinlemesine inceleyecek ve ard\u0131ndan bu g\u00fc\u00e7l\u00fc modelin i\u00e7 i\u015fleyi\u015fini \u015feffaf hale getirmek i\u00e7in kullan\u0131lan devrim niteli\u011findeki SHAP (SHapley Additive exPlanations) \u00e7er\u00e7evesini detayland\u0131racakt\u0131r. Amac\u0131m\u0131z, makine \u00f6\u011frenimi modellerini sadece koddan ibaret olmaktan \u00e7\u0131kar\u0131p, tahminlerinin ard\u0131ndaki mant\u0131\u011f\u0131 anlamam\u0131z\u0131 sa\u011flayan bir berrakl\u0131k d\u00fczeyine ta\u015f\u0131makt\u0131r.<\/p>\n
XGBoost (eXtreme Gradient Boosting), Tianqi Chen taraf\u0131ndan geli\u015ftirilen ve Gradient Boosting algoritmalar\u0131n\u0131n optimize edilmi\u015f, da\u011f\u0131t\u0131lm\u0131\u015f ve \u00f6l\u00e7eklenebilir bir uygulamas\u0131d\u0131r. Makine \u00f6\u011frenimi yar\u0131\u015fmalar\u0131nda s\u0131k\u00e7a birincilik elde etmesi ve end\u00fcstriyel uygulamalarda yayg\u0131n olarak kullan\u0131lmas\u0131, onun etkinli\u011finin bir kan\u0131t\u0131d\u0131r. XGBoost, temel olarak bir dizi zay\u0131f \u00f6\u011freniciyi (genellikle karar a\u011fa\u00e7lar\u0131) bir araya getirerek g\u00fc\u00e7l\u00fc bir \u00f6\u011frenici olu\u015fturan bir ensemble \u00f6\u011frenme y\u00f6ntemidir.<\/p>\n
Gradient Boosting, ba\u015flang\u0131\u00e7ta Friedman taraf\u0131ndan \u00f6nerilen, tahmin hatalar\u0131n\u0131 iteratif olarak d\u00fczelten bir algoritmad\u0131r. Her yeni a\u011fa\u00e7, \u00f6nceki a\u011fa\u00e7lar\u0131n hatalar\u0131n\u0131 (rezid\u00fcellerini) \u00f6\u011frenmeye \u00e7al\u0131\u015f\u0131r. Bu, modelin zamanla daha do\u011fru hale gelmesini sa\u011flar. XGBoost, bu temel GBM \u00e7er\u00e7evesini al\u0131p performans, h\u0131z ve esneklik a\u00e7\u0131s\u0131ndan \u00f6nemli iyile\u015ftirmeler getirir. Paralel i\u015fleme yetenekleri, dahili \u00e7apraz do\u011frulama, eksik de\u011fer i\u015fleme ve \u00f6zelle\u015ftirilebilir optimizasyon hedefleri gibi \u00f6zellikleriyle \u00f6ne \u00e7\u0131kar.<\/p>\n
XGBoost’un \u00e7al\u0131\u015fma prensibi, bir dizi karar a\u011fac\u0131n\u0131 art arda e\u011fiterek her yeni a\u011fac\u0131n \u00f6nceki a\u011fa\u00e7lar\u0131n hatalar\u0131n\u0131 d\u00fczeltmesine dayan\u0131r. Bu s\u00fcre\u00e7 ad\u0131m ad\u0131m \u015fu \u015fekilde ilerler:<\/p>\n
* Ba\u015flang\u0131\u00e7 Tahmini:<\/strong> \u0130lk olarak, t\u00fcm g\u00f6zlemler i\u00e7in basit bir ba\u015flang\u0131\u00e7 tahmini (\u00f6rne\u011fin, ortalama veya medyan) yap\u0131l\u0131r. XGBoost, bu temel d\u00f6ng\u00fcy\u00fc birka\u00e7 \u00f6nemli optimizasyonla geli\u015ftirir:<\/p>\n * Regularizasyon:<\/strong> A\u015f\u0131r\u0131 \u00f6\u011frenmeyi \u00f6nlemek i\u00e7in L1 (Lasso) ve L2 (Ridge) regularizasyon terimleri kullan\u0131r. Bu, modelin daha genellenebilir olmas\u0131n\u0131 sa\u011flar. Avantajlar\u0131:<\/strong> Dezavantajlar\u0131:<\/strong> Makine \u00f6\u011frenimi modellerinin, \u00f6zellikle de XGBoost gibi karma\u015f\u0131k ensemble modellerinin yayg\u0131nla\u015fmas\u0131yla birlikte, sadece ne tahmin ettikleri de\u011fil, ayn\u0131 zamanda neden bu tahmini yapt\u0131klar\u0131 da giderek daha \u00f6nemli hale gelmi\u015ftir. Bu “neden” sorusu, model yorumlanabilirli\u011finin temelini olu\u015fturur.<\/p>\n * G\u00fcven Olu\u015fturma:<\/strong> Kullan\u0131c\u0131lar ve payda\u015flar, bir modelin tahminlerine g\u00fcvenmek i\u00e7in nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 anlamak isterler. \u00d6zellikle kritik alanlarda (sa\u011fl\u0131k, finans), bu g\u00fcven hayati \u00f6neme sahiptir. XGBoost gibi modeller, binlerce karar a\u011fac\u0131n\u0131n karma\u015f\u0131k bir etkile\u015fimi sonucu tahminler \u00fcretir. Bu etkile\u015fimi insan beyninin do\u011frudan anlamas\u0131 neredeyse imkans\u0131zd\u0131r. Geleneksel olarak, model yorumlanabilirli\u011fi i\u00e7in kullan\u0131lan baz\u0131 y\u00f6ntemler \u015funlard\u0131r:<\/p>\n * \u00d6zellik \u00d6nem Derecesi (Feature Importance):<\/strong> XGBoost gibi a\u011fa\u00e7 tabanl\u0131 modeller, bir \u00f6zelli\u011fin modelin genel performans\u0131na ne kadar katk\u0131da bulundu\u011funu g\u00f6steren bir \u00f6nem derecesi sa\u011flar. Ancak bu, sadece genel bir bak\u0131\u015f a\u00e7\u0131s\u0131 sunar ve bireysel tahminlerin nas\u0131l yap\u0131ld\u0131\u011f\u0131n\u0131 a\u00e7\u0131klamaz. Ayr\u0131ca, \u00f6zellikler aras\u0131ndaki etkile\u015fimleri de g\u00f6z ard\u0131 eder. Bu y\u00f6ntemler de\u011ferli olsa da, \u00e7o\u011fu zaman bir tahminin neden yap\u0131ld\u0131\u011f\u0131na dair tam, tutarl\u0131 ve bireysel bir a\u00e7\u0131klama sunmazlar. \u0130\u015fte bu bo\u015flu\u011fu doldurmak i\u00e7in SHAP gibi daha geli\u015fmi\u015f yorumlanabilirlik \u00e7er\u00e7evelerine ihtiya\u00e7 duyulmu\u015ftur.<\/p>\n SHAP (SHapley Additive exPlanations), Lundberg ve Lee taraf\u0131ndan 2017 y\u0131l\u0131nda tan\u0131t\u0131lan, herhangi bir makine \u00f6\u011frenimi modelinin tahminlerini a\u00e7\u0131klamak i\u00e7in kullan\u0131lan birle\u015fik bir \u00e7er\u00e7evedir. SHAP, kooperatif oyun teorisindeki Shapley de\u011ferleri kavram\u0131na dayan\u0131r ve her bir \u00f6zelli\u011fin bir modelin belirli bir tahmini \u00fczerindeki katk\u0131s\u0131n\u0131 nicel olarak \u00f6l\u00e7er. Bu, “kara kutu” modellerin i\u00e7 i\u015fleyi\u015fini \u015feffaf hale getirmeyi ama\u00e7lar.<\/p>\n Shapley de\u011ferleri, 1953 y\u0131l\u0131nda Lloyd Shapley taraf\u0131ndan geli\u015ftirilen, kooperatif oyun teorisinde bir oyunun \u00e7\u0131kt\u0131s\u0131na her bir oyuncunun adil katk\u0131s\u0131n\u0131 da\u011f\u0131tmak i\u00e7in kullan\u0131lan bir y\u00f6ntemdir. Bir oyunda, oyuncular bir araya gelerek bir “koalisyon” olu\u015fturur ve bu koalisyon belirli bir “\u00f6d\u00fcl” (payout) elde eder. Shapley de\u011feri, her bir oyuncunun koalisyondaki t\u00fcm olas\u0131 kombinasyonlara kat\u0131l\u0131m\u0131n\u0131n marjinal katk\u0131lar\u0131n\u0131n a\u011f\u0131rl\u0131kl\u0131 ortalamas\u0131 olarak hesaplan\u0131r.<\/p>\n Makine \u00f6\u011frenimi ba\u011flam\u0131nda, bu kavram \u015fu \u015fekilde uyarlan\u0131r: Bir \u00f6zelli\u011fin Shapley de\u011feri, o \u00f6zelli\u011fin t\u00fcm olas\u0131 koalisyonlarda (di\u011fer \u00f6zelliklerin t\u00fcm olas\u0131 kombinasyonlar\u0131) modele eklenmesinin ortalama marjinal katk\u0131s\u0131n\u0131 temsil eder. Bu, bir \u00f6zelli\u011fin model \u00e7\u0131kt\u0131s\u0131n\u0131, temel (baseline) de\u011ferden (genellikle t\u00fcm veri setinin ortalama tahmini) belirli bir tahmine do\u011fru ne kadar itti\u011fini g\u00f6sterir.<\/p>\n Shapley de\u011ferlerinin hesaplanmas\u0131, t\u00fcm olas\u0131 \u00f6zellik kombinasyonlar\u0131n\u0131 de\u011ferlendirmeyi gerektirdi\u011fi i\u00e7in kombinatorik olarak \u00e7ok maliyetli olabilir. $M$ \u00f6zelli\u011fe sahip bir model i\u00e7in $2^M$ olas\u0131 koalisyon vard\u0131r. Bu, ger\u00e7ek d\u00fcnya problemlerinde pratik de\u011fildir.<\/p>\n SHAP, Shapley de\u011ferlerini pratik hale getirmek i\u00e7in “katk\u0131sal \u00f6zellik atf\u0131” modelini kullan\u0131r. Bu model, bir a\u00e7\u0131klay\u0131c\u0131 modelin ($g$) orijinal modelin ($f$) yerel olarak bir tahminini a\u00e7\u0131klayabilece\u011fini varsayar. A\u00e7\u0131klay\u0131c\u0131 model, basit, yorumlanabilir bir modeldir ve \u00f6zelliklerin ikili (0 veya 1, \u00f6zellik var veya yok) g\u00f6sterimine dayal\u0131d\u0131r:<\/p>\n $$g(z’) = \\phi_0 + \\sum_{j=1}^M \\phi_j z’_j$$<\/p>\n Burada: Bu denklem, bir modelin tahmininin, temel tahminin \u00fczerine her bir \u00f6zelli\u011fin katk\u0131lar\u0131n\u0131n eklenmesiyle elde edildi\u011fini belirtir. Yani, t\u00fcm SHAP de\u011ferlerinin toplam\u0131, bireysel tahmin ile temel tahmin aras\u0131ndaki farka e\u015fittir:<\/p>\n $$f(x) – E[f(X)] = \\sum_{j=1}^M \\phi_j$$<\/p>\n Burada $f(x)$ bireysel tahmin, $E[f(X)]$ ise beklenen (ortalama) model \u00e7\u0131kt\u0131s\u0131d\u0131r.<\/p>\n SHAP k\u00fct\u00fcphanesi, farkl\u0131 model t\u00fcrleri i\u00e7in optimize edilmi\u015f \u00e7e\u015fitli yorumlay\u0131c\u0131lar (explainers) sunar:<\/p>\n * KernelSHAP:<\/strong> Modelden ba\u011f\u0131ms\u0131z (model-agnostic) bir yakla\u015f\u0131md\u0131r. Herhangi bir makine \u00f6\u011frenimi modeliyle \u00e7al\u0131\u015fabilir ancak Shapley de\u011ferlerini tahmin etmek i\u00e7in \u00f6rnekleme kulland\u0131\u011f\u0131ndan hesaplama a\u00e7\u0131s\u0131ndan yava\u015f olabilir. SHAP, Shapley de\u011ferlerinin \u00fc\u00e7 \u00f6nemli \u00f6zelli\u011fini korur:<\/p>\n * Yerel Do\u011fruluk (Local Accuracy):<\/strong> A\u00e7\u0131klay\u0131c\u0131 model, orijinal modelin tahminine yerel olarak \u00e7ok yak\u0131n olmal\u0131d\u0131r. Yani, a\u00e7\u0131klanan \u00f6rne\u011fin tahminini do\u011fru bir \u015fekilde yans\u0131tmal\u0131d\u0131r. Bu \u00f6zellikler, SHAP’\u0131n \u00fcretti\u011fi a\u00e7\u0131klamalar\u0131n g\u00fcvenilir ve anlaml\u0131 olmas\u0131n\u0131 sa\u011flar.<\/p>\n XGBoost’un y\u00fcksek performans\u0131yla SHAP’\u0131n derin yorumlanabilirlik yeteneklerini birle\u015ftirmek, makine \u00f6\u011frenimi projeleri i\u00e7in oyunun kurallar\u0131n\u0131 de\u011fi\u015ftiren bir yakla\u015f\u0131md\u0131r. \u00d6zellikle TreeSHAP algoritmas\u0131 sayesinde, XGBoost gibi a\u011fa\u00e7 tabanl\u0131 ensemble modelleri i\u00e7in Shapley de\u011ferlerinin hesaplanmas\u0131 son derece verimli hale gelmi\u015ftir.<\/p>\n * TreeSHAP Optimizasyonu:<\/strong> TreeSHAP, a\u011fa\u00e7 tabanl\u0131 modellerin hiyerar\u015fik yap\u0131s\u0131ndan yararlanarak Shapley de\u011ferlerini polinom zamanda (yani $O(TLD^2)$, $T$ a\u011fa\u00e7 say\u0131s\u0131, $L$ yaprak say\u0131s\u0131, $D$ maksimum derinlik) hesaplar. Bu, KernelSHAP’\u0131n \u00fcstel zaman karma\u015f\u0131kl\u0131\u011f\u0131na ($O(2^M)$) k\u0131yasla muazzam bir h\u0131z avantaj\u0131 sa\u011flar ve XGBoost gibi binlerce a\u011fa\u00e7 i\u00e7eren modellerin bile a\u00e7\u0131klanmas\u0131n\u0131 pratik hale getirir. XGBoost modeliyle SHAP’\u0131 kullanmak olduk\u00e7a basittir. \u0130\u015fte tipik bir i\u015f ak\u0131\u015f\u0131:<\/p>\n 1. Gerekli K\u00fct\u00fcphanelerin Kurulumu:<\/strong><\/p>\n 2. Veri Haz\u0131rl\u0131\u011f\u0131 ve Model E\u011fitimi:<\/strong> 3. SHAP Explainer Olu\u015fturma:<\/strong> 4. SHAP De\u011ferlerini Hesaplama:<\/strong> 5. SHAP G\u00f6rselle\u015ftirmeleri:<\/strong> * Force Plot (Bireysel Tahminler \u0130\u00e7in):<\/strong> Tek bir g\u00f6zlemin tahminini a\u00e7\u0131klamak i\u00e7in kullan\u0131l\u0131r. Modelin beklenen \u00e7\u0131kt\u0131s\u0131ndan (baseline), her bir \u00f6zelli\u011fin katk\u0131s\u0131yla nas\u0131l nihai tahmine ula\u015f\u0131ld\u0131\u011f\u0131n\u0131 g\u00f6sterir. K\u0131rm\u0131z\u0131 renkli \u00f6zellikler tahmini yukar\u0131 \u00e7ekerken, mavi renkli \u00f6zellikler a\u015fa\u011f\u0131 \u00e7eker.<\/p>\n Bu g\u00f6rselle\u015ftirme, belirli bir evin fiyat tahmininde, “RM” (ortalama oda say\u0131s\u0131) de\u011ferinin fiyat\u0131 nas\u0131l art\u0131rd\u0131\u011f\u0131n\u0131 ve “LSTAT” (alt s\u0131n\u0131f n\u00fcfus y\u00fczdesi) de\u011ferinin fiyat\u0131 nas\u0131l d\u00fc\u015f\u00fcrd\u00fc\u011f\u00fcn\u00fc a\u00e7\u0131k\u00e7a g\u00f6sterebilir.<\/p>\n * Summary Plot (Global \u00d6zellik \u00d6nem Derecesi ve Y\u00f6n\u00fc):<\/strong> T\u00fcm veri k\u00fcmesi \u00fczerindeki \u00f6zelliklerin genel etkisini g\u00f6sterir. Her nokta bir g\u00f6zlemi temsil eder; rengi \u00f6zelli\u011fin de\u011ferini (d\u00fc\u015f\u00fck-y\u00fcksek), x ekseni ise SHAP de\u011ferini (katk\u0131n\u0131n y\u00f6n\u00fc ve b\u00fcy\u00fckl\u00fc\u011f\u00fc) g\u00f6sterir.<\/p>\n Bu grafik, “LSTAT” \u00f6zelli\u011finin y\u00fcksek de\u011ferlerinin (k\u0131rm\u0131z\u0131 noktalar) genellikle negatif SHAP de\u011ferlerine (d\u00fc\u015f\u00fck fiyat tahmini) sahip oldu\u011funu, “RM” \u00f6zelli\u011finin y\u00fcksek de\u011ferlerinin ise pozitif SHAP de\u011ferlerine (y\u00fcksek fiyat tahmini) sahip oldu\u011funu g\u00f6sterebilir.<\/p>\n * Dependence Plot (\u00d6zellik Etkile\u015fimi):<\/strong> Bir \u00f6zelli\u011fin model \u00e7\u0131kt\u0131s\u0131 \u00fczerindeki etkisini ve bu etkinin ba\u015fka bir \u00f6zellikle nas\u0131l etkile\u015fime girdi\u011fini g\u00f6sterir.<\/p>\n Bu, “RM” (ortalama oda say\u0131s\u0131) artt\u0131k\u00e7a fiyat\u0131n artt\u0131\u011f\u0131n\u0131, ancak “LSTAT” (alt s\u0131n\u0131f n\u00fcfus y\u00fczdesi) y\u00fcksek oldu\u011funda “RM”nin etkisinin azald\u0131\u011f\u0131n\u0131 veya de\u011fi\u015fti\u011fini g\u00f6sterebilir.<\/p>\n * Decision Plot (Tahmin Yolu):<\/strong> Modelin beklenen \u00e7\u0131kt\u0131s\u0131ndan ba\u015flayarak her bir \u00f6zelli\u011fin katk\u0131s\u0131yla tahminin nas\u0131l de\u011fi\u015fti\u011fini ad\u0131m ad\u0131m g\u00f6sterir.<\/p>\n Bu grafik, birden fazla bireysel tahminin, farkl\u0131 \u00f6zelliklerin katk\u0131lar\u0131yla nas\u0131l farkl\u0131 yollardan nihai tahminlere ula\u015ft\u0131\u011f\u0131n\u0131 g\u00f6rselle\u015ftirir.<\/p>\n SHAP’\u0131 XGBoost ile birle\u015ftirmek, model yorumlanabilirli\u011fi ve geli\u015ftirilmesi a\u00e7\u0131s\u0131ndan bir\u00e7ok \u00f6nemli fayda sa\u011flar:<\/p>\n * Geli\u015fmi\u015f Model Anlay\u0131\u015f\u0131:<\/strong> Sadece hangi \u00f6zelliklerin \u00f6nemli oldu\u011funu de\u011fil, ayn\u0131 zamanda her bir \u00f6zelli\u011fin belirli bir tahmin \u00fczerinde ne kadar ve hangi y\u00f6nde bir etkisi oldu\u011funu anlars\u0131n\u0131z. Bu, modelin “kara kutu” do\u011fas\u0131n\u0131 ortadan kald\u0131r\u0131r. SHAP, g\u00fc\u00e7l\u00fc bir yorumlanabilirlik arac\u0131 olsa da, baz\u0131 s\u0131n\u0131rlamalar\u0131 ve dikkat edilmesi gereken noktalar\u0131 vard\u0131r:<\/p>\n * Hesaplama Maliyeti:<\/strong> TreeSHAP, a\u011fa\u00e7 modelleri i\u00e7in olduk\u00e7a verimli olsa da, \u00e7ok b\u00fcy\u00fck veri k\u00fcmeleri veya \u00e7ok say\u0131da a\u011fa\u00e7 i\u00e7eren modeller i\u00e7in SHAP de\u011ferlerinin hesaplanmas\u0131 yine de zaman al\u0131c\u0131 olabilir. Model-agnostik KernelSHAP ise \u00e7ok daha yava\u015ft\u0131r. Makine \u00f6\u011frenimi modellerinin g\u00fcc\u00fc ve yayg\u0131nl\u0131\u011f\u0131 artt\u0131k\u00e7a, bu modellerin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 anlama ihtiyac\u0131 da giderek kritik hale gelmektedir. XGBoost gibi y\u00fcksek performansl\u0131 algoritmalar, karma\u015f\u0131k problemler \u00fczerinde etkileyici sonu\u00e7lar sunarken, ayn\u0131 zamanda “kara kutu” do\u011falar\u0131 nedeniyle \u015feffafl\u0131k ve g\u00fcven sorunlar\u0131 yaratabilirler.<\/p>\n SHAP (SHapley Additive exPlanations), kooperatif oyun teorisinden ilham alan ve herhangi bir makine \u00f6\u011frenimi modelinin tahminlerini bireysel \u00f6zellik katk\u0131lar\u0131 a\u00e7\u0131s\u0131ndan a\u00e7\u0131klayan devrim niteli\u011finde bir \u00e7er\u00e7evedir. \u00d6zellikle TreeSHAP algoritmas\u0131 sayesinde, XGBoost gibi a\u011fa\u00e7 tabanl\u0131 ensemble modelleriyle entegre edildi\u011finde, SHAP, modelin i\u00e7 i\u015fleyi\u015fine derinlemesine ve tutarl\u0131 bir bak\u0131\u015f a\u00e7\u0131s\u0131 sunar.<\/p>\n Bu makalede g\u00f6rd\u00fc\u011f\u00fcm\u00fcz gibi, SHAP ile XGBoost’u birle\u015ftirmek, sadece modelin tahminlerinin do\u011frulu\u011funu art\u0131rmakla kalmaz, ayn\u0131 zamanda bu tahminlerin ard\u0131ndaki mant\u0131\u011f\u0131 anlamam\u0131z\u0131, modellerimizi hata ay\u0131klamam\u0131z\u0131, geli\u015ftirmemizi ve payda\u015flar\u0131m\u0131za g\u00fcvenle sunmam\u0131z\u0131 sa\u011flar. Force plot’lar, summary plot’lar ve dependence plot’lar gibi g\u00fc\u00e7l\u00fc g\u00f6rselle\u015ftirmeler arac\u0131l\u0131\u011f\u0131yla, veri bilimcileri ve makine \u00f6\u011frenimi m\u00fchendisleri, modellerini “kottan berrakl\u0131\u011fa” ta\u015f\u0131yarak, sadece tahmin yapmakla kalmay\u0131p, ayn\u0131 zamanda bu tahminlerin neden yap\u0131ld\u0131\u011f\u0131n\u0131 da a\u00e7\u0131klayabilirler.<\/p>\n Yorumlanabilir yapay zeka (XAI) alan\u0131 h\u0131zla geli\u015fmeye devam ederken, SHAP gibi ara\u00e7lar, makine \u00f6\u011freniminin gelece\u011finde g\u00fcvenilir, adil ve \u015feffaf sistemler in\u015fa etmemiz i\u00e7in vazge\u00e7ilmez olacakt\u0131r. Bu, sadece teknik bir gereklilik de\u011fil, ayn\u0131 zamanda etik ve toplumsal bir sorumluluktur.
\n* Hata Hesaplama:<\/strong> Modelin mevcut tahminleri ile ger\u00e7ek de\u011ferler aras\u0131ndaki hatalar (rezid\u00fceller) hesaplan\u0131r.
\n* Yeni A\u011fa\u00e7 E\u011fitimi:<\/strong> Yeni bir karar a\u011fac\u0131, bu hatalar\u0131 tahmin etmek \u00fczere e\u011fitilir. Ama\u00e7, \u00f6nceki modelin zay\u0131f oldu\u011fu alanlar\u0131 g\u00fc\u00e7lendirmektir. Bu, “gradient” y\u00f6n\u00fcnde bir ad\u0131m at\u0131ld\u0131\u011f\u0131 anlam\u0131na gelir.
\n* Tahmin G\u00fcncelleme:<\/strong> Yeni a\u011fac\u0131n tahminleri, \u00f6nceki modelin tahminlerine belirli bir \u00f6\u011frenme oran\u0131 (k\u00fc\u00e7\u00fcltme fakt\u00f6r\u00fc) ile eklenir. Bu \u00f6\u011frenme oran\u0131, modelin a\u015f\u0131r\u0131 \u00f6\u011frenmesini engellemeye yard\u0131mc\u0131 olur.
\n* \u0130terasyon:<\/strong> Bu ad\u0131mlar, belirli bir a\u011fa\u00e7 say\u0131s\u0131na veya bir durdurma kriterine ula\u015f\u0131lana kadar tekrarlan\u0131r.<\/p>\n
\n* Sistem Optimizasyonlar\u0131:<\/strong> Bellek d\u0131\u015f\u0131 hesaplamalar i\u00e7in blok yap\u0131lar\u0131, paralel ve da\u011f\u0131t\u0131k hesaplama yetenekleri sayesinde b\u00fcy\u00fck veri k\u00fcmelerinde bile h\u0131zl\u0131 e\u011fitim sa\u011flar.
\n* Eksik De\u011fer \u0130\u015fleme:<\/strong> Eksik de\u011ferleri otomatik olarak i\u015fleyebilir ve bu de\u011ferlerin en iyi dallanma y\u00f6n\u00fcn\u00fc \u00f6\u011frenir.
\n* A\u011fa\u00e7 Budama (Pruning):<\/strong> A\u011fa\u00e7lar\u0131n b\u00fcy\u00fcmesini kontrol etmek i\u00e7in \u00f6n budama (maksimum derinlik) ve son budama (karma\u015f\u0131kl\u0131k parametresi) kullan\u0131r.
\n* K\u00fc\u00e7\u00fcltme (Shrinkage):<\/strong> Her ad\u0131mda yeni eklenen a\u011fa\u00e7lar\u0131n katk\u0131s\u0131n\u0131 azaltarak a\u015f\u0131r\u0131 \u00f6\u011frenmeyi \u00f6nler.
\n* S\u00fctun Alt \u00d6rneklemesi (Column Subsampling):<\/strong> Her iterasyonda \u00f6zelliklerin bir alt k\u00fcmesini rastgele se\u00e7erek hem hesaplama maliyetini d\u00fc\u015f\u00fcr\u00fcr hem de a\u015f\u0131r\u0131 \u00f6\u011frenmeyi azalt\u0131r.<\/p>\nXGBoost’un Avantajlar\u0131 ve Dezavantajlar\u0131<\/h4>\n
\n* Y\u00fcksek Performans:<\/strong> \u00c7o\u011fu yap\u0131sal veri k\u00fcmesinde di\u011fer algoritmalardan daha iyi performans g\u00f6sterir.
\n* H\u0131z ve \u00d6l\u00e7eklenebilirlik:<\/strong> Paralel ve da\u011f\u0131t\u0131k hesaplama yetenekleri sayesinde b\u00fcy\u00fck veri k\u00fcmelerinde h\u0131zl\u0131 e\u011fitim ve tahmin sa\u011flar.
\n* Esneklik:<\/strong> Kullan\u0131c\u0131 tan\u0131ml\u0131 optimizasyon hedefleri ve de\u011ferlendirme metrikleri ile \u00f6zelle\u015ftirilebilir.
\n* Sa\u011flaml\u0131k:<\/strong> Eksik de\u011ferleri ve ayk\u0131r\u0131 de\u011ferleri iyi i\u015fler.
\n* \u00d6zellik \u00d6nem Derecesi:<\/strong> Modelin hangi \u00f6zelliklere daha fazla \u00f6nem verdi\u011fini g\u00f6steren bir mekanizma sunar.<\/p>\n
\n* Parametre Ayar\u0131:<\/strong> Optimal performans i\u00e7in \u00e7ok say\u0131da hiperparametrenin dikkatli bir \u015fekilde ayarlanmas\u0131n\u0131 gerektirir.
\n* A\u015f\u0131r\u0131 \u00d6\u011frenme Riski:<\/strong> Yeterli regularizasyon uygulanmazsa, e\u011fitim verisine a\u015f\u0131r\u0131 derecede uyum sa\u011flayabilir.
\n* Yorumlanabilirlik Eksikli\u011fi:<\/strong> Karma\u015f\u0131k yap\u0131s\u0131 nedeniyle, bir tahminin neden yap\u0131ld\u0131\u011f\u0131n\u0131 anlamak zordur; yani “kara kutu” modelidir.<\/p>\nYorumlanabilirli\u011fe Duyulan \u0130htiya\u00e7<\/h3>\n
Neden Yorumlanabilirlik \u00d6nemlidir?<\/h4>\n
\n* Hata Ay\u0131klama ve Geli\u015ftirme:<\/strong> Modelin beklenmedik veya hatal\u0131 tahminler yapmas\u0131n\u0131n nedenlerini anlamak, modelin zay\u0131f y\u00f6nlerini belirlemeye ve performans\u0131n\u0131 art\u0131rmaya yard\u0131mc\u0131 olur.
\n* Adillik ve \u00d6nyarg\u0131 Tespiti:<\/strong> Modellerin belirli gruplara kar\u015f\u0131 \u00f6nyarg\u0131l\u0131 olup olmad\u0131\u011f\u0131n\u0131 veya ayr\u0131mc\u0131 kararlar al\u0131p almad\u0131\u011f\u0131n\u0131 tespit etmek i\u00e7in yorumlanabilirlik ara\u00e7lar\u0131 gereklidir.
\n* Yasal Uyumluluk:<\/strong> GDPR gibi d\u00fczenlemeler, otomatik karar verme s\u00fcre\u00e7lerinde “a\u00e7\u0131klama hakk\u0131”n\u0131 talep etmektedir. Finans ve sigorta gibi sekt\u00f6rlerde, kararlar\u0131n \u015feffaf olmas\u0131 yasal bir zorunluluktur.
\n* Bilimsel Ke\u015fif ve \u0130\u015f \u0130\u00e7g\u00f6r\u00fcleri:<\/strong> Yorumlanabilir modeller, temel bilimsel sorulara yan\u0131t bulmam\u0131za veya bir i\u015f problemindeki gizli ili\u015fkileri ke\u015ffetmemize olanak tan\u0131r.
\n* \u00d6zellik M\u00fchendisli\u011fi:<\/strong> Hangi \u00f6zelliklerin model i\u00e7in daha \u00f6nemli oldu\u011funu ve nas\u0131l etkile\u015fimde bulundu\u011funu anlamak, daha iyi \u00f6zellikler tasarlamak i\u00e7in de\u011ferli bilgiler sa\u011flar.<\/p>\n“Kara Kutu” Problemi ve Geleneksel Y\u00f6ntemlerin S\u0131n\u0131rl\u0131l\u0131klar\u0131<\/h4>\n
\n* K\u0131smi Ba\u011f\u0131ml\u0131l\u0131k Grafikleri (Partial Dependence Plots – PDP):<\/strong> Tek bir \u00f6zelli\u011fin veya iki \u00f6zelli\u011fin model \u00e7\u0131kt\u0131s\u0131 \u00fczerindeki ortalama etkisini g\u00f6sterir. Ancak, di\u011fer \u00f6zelliklerle olan karma\u015f\u0131k etkile\u015fimleri tam olarak yakalayamaz ve ortalama etki, bireysel tahminler i\u00e7in yan\u0131lt\u0131c\u0131 olabilir.
\n* ICE (Individual Conditional Expectation) Plots:<\/strong> PDP’nin aksine, her bir bireysel g\u00f6zlem i\u00e7in bir \u00f6zelli\u011fin model \u00e7\u0131kt\u0131s\u0131 \u00fczerindeki etkisini g\u00f6sterir. Ancak, yine de karma\u015f\u0131k etkile\u015fimleri tam olarak a\u00e7\u0131klamakta yetersiz kalabilir.<\/p>\nSHAP (SHapley Additive exPlanations) Nedir?<\/h3>\n
Shapley De\u011ferleri: Temel Konsept<\/h4>\n
\n* Oyuncular:<\/strong> Modelin girdi \u00f6zellikleri (features).
\n* Koalisyon:<\/strong> Tahmin yapmak i\u00e7in kullan\u0131lan \u00f6zelliklerin bir alt k\u00fcmesi.
\n* \u00d6d\u00fcl:<\/strong> Modelin tahmini \u00e7\u0131kt\u0131s\u0131.<\/p>\nSHAP’\u0131n Katk\u0131sal \u00d6zellik Atf\u0131 (Additive Feature Attribution)<\/h4>\n
\n* $g(z’)$: A\u00e7\u0131klay\u0131c\u0131 modelin \u00e7\u0131kt\u0131s\u0131 (basitle\u015ftirilmi\u015f girdi $z’$ i\u00e7in).
\n* $\\phi_0$: Modelin beklenen \u00e7\u0131kt\u0131s\u0131 (baseline veya ortalama tahmin).
\n* $\\phi_j$: \u00d6zellik $j$’nin Shapley de\u011feri (SHAP de\u011feri). Bu, \u00f6zelli\u011fin model \u00e7\u0131kt\u0131s\u0131n\u0131 $\\phi_0$’dan ne kadar de\u011fi\u015ftirdi\u011fini g\u00f6sterir.
\n* $z’_j$: Basitle\u015ftirilmi\u015f girdideki \u00f6zellik $j$’nin de\u011feri (\u00f6zellik varsa 1, yoksa 0).
\n* $M$: Basitle\u015ftirilmi\u015f girdi \u00f6zelliklerinin say\u0131s\u0131.<\/p>\nFarkl\u0131 Modeller \u0130\u00e7in SHAP Yorumlay\u0131c\u0131lar\u0131<\/h4>\n
\n* TreeSHAP:<\/strong> A\u011fa\u00e7 tabanl\u0131 modeller (XGBoost, LightGBM, CatBoost, scikit-learn’deki a\u011fa\u00e7 modelleri) i\u00e7in optimize edilmi\u015ftir. Bu modellerin yap\u0131s\u0131ndan faydalanarak Shapley de\u011ferlerini \u00e7ok daha h\u0131zl\u0131 ve kesin bir \u015fekilde hesaplayabilir. XGBoost ile SHAP’\u0131 birle\u015ftiren g\u00fcc\u00fcn temelini olu\u015fturur.
\n* DeepSHAP:<\/strong> Derin \u00f6\u011frenme modelleri (TensorFlow, Keras, PyTorch) i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015ft\u0131r.
\n* LinearSHAP:<\/strong> Do\u011frusal modeller i\u00e7in h\u0131zl\u0131 bir \u015fekilde Shapley de\u011ferleri hesaplar.<\/p>\nSHAP’\u0131n Temel \u00d6zellikleri<\/h4>\n
\n* Eksiklik (Missingness):<\/strong> Bir \u00f6zelli\u011fin basitle\u015ftirilmi\u015f girdide eksik (0) olmas\u0131 durumunda, o \u00f6zelli\u011fin Shapley de\u011feri de 0 olmal\u0131d\u0131r.
\n* Tutarl\u0131l\u0131k (Consistency):<\/strong> Bir model de\u011fi\u015fti\u011finde veya iki \u00f6zellikten biri di\u011ferine g\u00f6re daha fazla marjinal katk\u0131da bulundu\u011funda, bu \u00f6zelli\u011fin Shapley de\u011feri azalmamal\u0131d\u0131r.<\/p>\nXGBoost ve SHAP’\u0131n Entegrasyonu<\/h3>\n
Neden SHAP, XGBoost ile \u00d6zellikle G\u00fc\u00e7l\u00fcd\u00fcr?<\/h4>\n
\n* Karma\u015f\u0131k Etkile\u015fimlerin A\u00e7\u0131klanmas\u0131:<\/strong> XGBoost, \u00f6zellikler aras\u0131nda karma\u015f\u0131k, do\u011frusal olmayan etkile\u015fimleri do\u011fal olarak yakalar. SHAP, bu etkile\u015fimleri bireysel tahmin d\u00fczeyinde ortaya \u00e7\u0131kararak, hangi \u00f6zelliklerin birbirini g\u00fc\u00e7lendirdi\u011fini veya zay\u0131flatt\u0131\u011f\u0131n\u0131 anlamam\u0131z\u0131 sa\u011flar.
\n* Tutarl\u0131 ve Adil At\u0131f:<\/strong> SHAP, her bir \u00f6zelli\u011fin katk\u0131s\u0131n\u0131 adil bir \u015fekilde da\u011f\u0131tt\u0131\u011f\u0131 i\u00e7in, bir tahminin neden yap\u0131ld\u0131\u011f\u0131na dair tutarl\u0131 ve g\u00fcvenilir bir a\u00e7\u0131klama sunar.<\/p>\nPratik Uygulama: Kod \u00d6rnekleri (Kavramsal)<\/h4>\n
pip install xgboost shap pandas scikit-learn<\/code><\/pre>\n
\n \u00d6ncelikle, bir veri k\u00fcmesi \u00fczerinde XGBoost modelinizi e\u011fitmeniz gerekir.<\/p>\nimport xgboost as xgb\n import pandas as pd\n from sklearn.model_selection import train_test_split\n from sklearn.datasets import load_boston # \u00d6rnek veri seti\n\n # Veri y\u00fckleme\n boston = load_boston()\n X = pd.DataFrame(boston.data, columns=boston.feature_names)\n y = pd.Series(boston.target)\n\n # E\u011fitim ve test setlerine ay\u0131rma\n X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\n # XGBoost modelini e\u011fitme\n model = xgb.XGBRegressor(objective='reg:squarederror', n_estimators=100, random_state=42)\n model.fit(X_train, y_train)<\/code><\/pre>\n
\n E\u011fitilmi\u015f XGBoost modelinizi kullanarak bir TreeExplainer<\/code> nesnesi olu\u015fturulur.<\/p>\nimport shap\n\n # TreeExplainer'\u0131 XGBoost modeli ile ba\u015flatma\n explainer = shap.TreeExplainer(model)<\/code><\/pre>\n
\n explainer.shap_values()<\/code> metodunu kullanarak test seti veya a\u00e7\u0131klamak istedi\u011finiz herhangi bir veri noktas\u0131 i\u00e7in SHAP de\u011ferleri hesaplan\u0131r.<\/p>\n# Test seti i\u00e7in SHAP de\u011ferlerini hesaplama\n shap_values = explainer.shap_values(X_test)<\/code><\/pre>\n
\n SHAP k\u00fct\u00fcphanesi, elde edilen de\u011ferleri anlamland\u0131rmak i\u00e7in \u00e7e\u015fitli g\u00fc\u00e7l\u00fc g\u00f6rselle\u015ftirme ara\u00e7lar\u0131 sunar:<\/p>\n# \u0130lk test \u00f6rne\u011fi i\u00e7in Force Plot\n shap.initjs() # Jupyter\/Colab i\u00e7in JavaScript ba\u015flatma\n shap.force_plot(explainer.expected_value, shap_values[0,:], X_test.iloc[0,:])<\/code><\/pre>\n# T\u00fcm test seti i\u00e7in Summary Plot\n shap.summary_plot(shap_values, X_test)<\/code><\/pre>\n# \"RM\" \u00f6zelli\u011finin \"LSTAT\" ile etkile\u015fimini g\u00f6steren Dependence Plot\n shap.dependence_plot(\"RM\", shap_values, X_test, interaction_index=\"LSTAT\")<\/code><\/pre>\n# \u0130lk 10 \u00f6rnek i\u00e7in Decision Plot\n shap.decision_plot(explainer.expected_value, shap_values[:10], X_test.iloc[:10])<\/code><\/pre>\nSHAP ile XGBoost Kullanman\u0131n Faydalar\u0131<\/h3>\n
\n* Hata Ay\u0131klama ve Model \u0130yile\u015ftirme:<\/strong> Modelin neden hatal\u0131 veya beklenmedik tahminler yapt\u0131\u011f\u0131n\u0131 belirlemek i\u00e7in SHAP de\u011ferlerini kullanabilirsiniz. \u00d6rne\u011fin, bir \u00f6zelli\u011fin modelde istenmeyen bir etkiye sahip oldu\u011funu fark ederseniz, bu \u00f6zelli\u011fi yeniden m\u00fchendislik yapabilir veya modelden \u00e7\u0131karabilirsiniz.
\n* G\u00fcven Olu\u015fturma ve D\u00fczenleyici Uyum:<\/strong> Payda\u015flara, y\u00f6neticilere veya d\u00fczenleyicilere modelin tahminlerini a\u00e7\u0131k ve anla\u015f\u0131l\u0131r bir \u015fekilde a\u00e7\u0131klayabilirsiniz. Bu, \u00f6zellikle finans, sa\u011fl\u0131k ve hukuk gibi y\u00fcksek riskli alanlarda yasal gereklilikleri kar\u015f\u0131lamak i\u00e7in kritik \u00f6neme sahiptir.
\n* Adillik ve \u00d6nyarg\u0131 Tespiti:<\/strong> Modelin belirli demografik gruplara kar\u015f\u0131 \u00f6nyarg\u0131l\u0131 olup olmad\u0131\u011f\u0131n\u0131 veya istenmeyen ayr\u0131mc\u0131l\u0131k yap\u0131p yapmad\u0131\u011f\u0131n\u0131 tespit etmek i\u00e7in SHAP de\u011ferlerini kullanabilirsiniz. \u00d6rne\u011fin, cinsiyet veya \u0131rk gibi hassas \u00f6zelliklerin tahmine a\u015f\u0131r\u0131 katk\u0131da bulunup bulunmad\u0131\u011f\u0131n\u0131 kontrol edebilirsiniz.
\n* Alan Bilgisi Ke\u015ffi:<\/strong> SHAP, modelin veri i\u00e7indeki karma\u015f\u0131k ili\u015fkileri nas\u0131l \u00f6\u011frendi\u011fini g\u00f6stererek, domain uzmanlar\u0131n\u0131n yeni i\u00e7g\u00f6r\u00fcler edinmesine yard\u0131mc\u0131 olabilir. Bu, i\u015f stratejilerini veya bilimsel ara\u015ft\u0131rmalar\u0131 bilgilendirebilir.
\n* \u00d6zellik M\u00fchendisli\u011fi Rehberli\u011fi:<\/strong> Hangi \u00f6zelliklerin en etkili oldu\u011funu ve nas\u0131l davrand\u0131klar\u0131n\u0131 anlamak, daha iyi ve daha anlaml\u0131 \u00f6zellikler olu\u015fturmak i\u00e7in yol g\u00f6sterir. Ayr\u0131ca, hangi \u00f6zelliklerin gereksiz oldu\u011funu veya kald\u0131r\u0131lmas\u0131 gerekti\u011fini de g\u00f6sterebilir.<\/p>\nS\u0131n\u0131rlamalar ve Dikkat Edilmesi Gerekenler<\/h3>\n
\n Yorumlama Zorluklar\u0131:<\/strong> SHAP de\u011ferleri, bir \u00f6zelli\u011fin modelin tahmini \u00fczerindeki <\/em>katk\u0131s\u0131n\u0131 a\u00e7\u0131klar, ancak ger\u00e7ek d\u00fcnyadaki <\/em>nedensel* bir ili\u015fkiyi garanti etmez. Korelasyon, nedensellik anlam\u0131na gelmez.
\n* Veri Ba\u011f\u0131ml\u0131l\u0131\u011f\u0131:<\/strong> SHAP a\u00e7\u0131klamalar\u0131, modelin e\u011fitildi\u011fi veriye ba\u011fl\u0131d\u0131r. E\u011fitim verisinde mevcut olmayan senaryolar veya veri da\u011f\u0131l\u0131mlar\u0131 i\u00e7in a\u00e7\u0131klamalar yan\u0131lt\u0131c\u0131 olabilir.
\n* Yanl\u0131\u015f Yorumlama Riski:<\/strong> SHAP g\u00f6rselle\u015ftirmeleri g\u00fc\u00e7l\u00fcd\u00fcr, ancak do\u011fru bir \u015fekilde yorumlanmalar\u0131 gerekir. \u00d6rne\u011fin, bir \u00f6zelli\u011fin y\u00fcksek SHAP de\u011ferine sahip olmas\u0131, o \u00f6zelli\u011fin her zaman model i\u00e7in en \u00f6nemli oldu\u011fu anlam\u0131na gelmez; yaln\u0131zca belirli bir tahmin i\u00e7in \u00f6nemli oldu\u011fu anlam\u0131na gelebilir. Etkile\u015fim endeksleri gibi daha karma\u015f\u0131k g\u00f6rselle\u015ftirmeler, dikkatli bir analiz gerektirir.
\n Modelin Kendisi Hala “Kara Kutu”:<\/strong> SHAP, modelin tahminlerini <\/em>a\u00e7\u0131klar, ancak modelin temel matematiksel yap\u0131s\u0131n\u0131 veya t\u00fcm parametrelerini do\u011frudan <\/em>g\u00f6stermez*. Modelin kendisi hala bir “kara kutu” olabilir; SHAP sadece o kutuya bir pencere a\u00e7ar.<\/p>\nSonu\u00e7<\/h3>\n
\n<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Kottan Berrakl\u0131\u011fa: SHAP ile XGBoost A\u00e7\u0131klamas\u0131\nMakine \u00f6\u011frenimi, son y\u0131llarda yapay zeka alan\u0131nda devrim niteli\u011finde ilerlemeler kaydetmi\u015f","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-36965","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n