M10 · Makine Öğrenmesine Giriş
Regresyon Modelleri
Neden bu konu?
Regresyon, hedef bir sayı olduğunda yeni bir gözlem için o sayıyı tahmin eder; NovaCommerce örneğinde hedef gecikme günüdür. Doğrusal regresyon güçlü bir ilk modeldir çünkü hızlıdır, katsayıları denetlenebilir ve basit baseline'a gerçekten değer katıp katmadığı kolayca ölçülür. Fakat iyi train uyumu başarı değildir: model zaman sıralı testte eğitim medyanı baseline'ını geçmeli, tipik hatayı MAE ile ve büyük kaçırmaları daha fazla büyüten RMSE ile göstermeli, hataların zaman ve segmentlerde saklanmadığını da kontrol etmelidir.
Benzetme: kavramın günlük karşılığı
Doğrusal regresyon, farklı malzemelerin teslimat süresine eklediği payları hesaplayan şeffaf bir fiyat tarifesine benzer. Başlangıç bedeline mesafe başına, ürün başına ve yoğunluk puanı başına bir katsayı ekler; toplam tahmini verir. Tarife anlaşılırdır ama katsayının pozitif olması mesafenin tek başına gecikmeye neden olduğunu kanıtlamaz; birlikte değişen rota veya taşıyıcı etkisi de tarifeye yansımış olabilir.
Bu işin sırrı: kalıplar
- Sürekli hedef → regresyon: Gecikme günü, tutar veya süre gibi sayısal hedefte model bir sayı üretir.
- Model değeri → baseline farkı: Test MAE'si eğitim medyanı baseline MAE'sinden düşük değilse karmaşıklık henüz gerekçelenmemiştir.
+ 3 kalıp daha tam derste
İlk uygulama adımı
1. Sürekli hedef ve özellik matrisini seç
`X = df[['mesafe_km','urun_adedi','depo_yogunluk']]` ve `y = df['gecikme_gun']` oluştur; tarih sıralı train/test indekslerini önceki dersten aynen kullan ve şekilleri yazdır.
Kontrol noktası: X yalnız tahmin anında mevcut üç sayısal sütun içerir; y tek boyutlu, sayısal ve train/test satır sayıları split raporuyla aynıdır.
+ 4 adım daha tam derste
Dersin devamı erken erişimde
Tam derste seni bekleyenler: 5 kontrol noktalı uygulama adımı, gerçek dünya kullanımı (analist + scientist + AI perspektifi), 4 yaygın tuzak, mülakat sorusu ve model cevabı, 5 soruluk quiz, 7 tekrar kartı ve NovaCommerce proje görevi.