R'de Supervised Learning: Regresyon

Artık temel doğrusal regresyon modellerini nasıl uyduracağımızı öğrendiğimize göre, modellerimizin ne kadar iyi performans gösterdiğini değerlendirmeyi öğreneceğiz. Bir modeli görsel olarak değerlendirmeyi gözden geçirecek ve regresyon modelleri için iki temel ölçüte bakacağız. Ayrıca yalnızca eğitim verilerinde değil, gerçek dünyada da iyi performans gösterecek bir modeli nasıl eğiteceğini öğreneceğiz. Bu teknikleri doğrusal regresyonla gösterecek olsak da, bu kavramların tümü herhangi bir regresyon algoritmasıyla uydurulan modellere uygulanır.

Daha gelişmiş regresyon tekniklerine geçmeden önce, başka bazı modelleme konularına bakacağız: kategorik girdilerle modelleme, değişkenler arası etkileşimler ve modellemeden önce girdileri ve çıktıları ne zaman dönüştürmeyi düşünebileceğin. Daha gelişmiş regresyon teknikleri bu konuların bazılarını otomatik olarak yönetse de, çeşitli sorunları hangi yöntemlerin en iyi şekilde ele aldığını — ve hangilerini hâlâ kendin yönetmen gerektiğini — anlamak için bunların farkında olmak önemlidir.

Artık doğrusal modelleri öğrendiğimize göre, doğrusal kabulünü karşılamayan durumları modellemek için tekniklere bakmaya başlayacağız. Buna olasılıkları ve frekansları (0 ile 1 arasında sınırlı değerler) tahmin etmek; sayımları (negatif olmayan tamsayı değerleri ve ilişkili oranlar) tahmin etmek; ve girdilerle doğrusal olmayan ancak toplanabilir bir ilişkiye sahip yanıtlar dahildir. Bu algoritmalar, standart doğrusal modelin varyasyonlarıdır.

Bu bölümde, doğrusallık veya toplamsallık varsaymayan ve girdi değişkenleri arasında sınırlı türde etkileşimleri öğrenebilen modelleme algoritmalarına bakacağız. Bu algoritmalar, eğitim verilerinden öğrenilen birden çok karar ağacının bir araya getirilmesiyle çalışan ağaç tabanlı yöntemlerdir.