Modellerde düzenlemenin amacı nedir?

Makine öğrenimi modellerinde düzenleme, aşırı uyumu (overfitting) önlemek için gereklidir. Bu, modelin karmaşıklığına ceza ekler, onu daha basit hale getirir ve yeni veriler üzerinde daha iyi genelleme yapmasını sağlar.

Düzenlemenin temel etkileri:

• Model katsayılarının büyüklüğünü azaltır, daha az önemli özelliklerin etkisini azaltır.
• Eğitim verilerine çok sıkı uyumu önlemeye yardımcı olur, bu da test verilerinde kaliteyi artırır.

Popüler düzenleme yöntemleri örnekleri:

• L1 düzenlemesi (Lasso) — katsayıların mutlak değerlerinin toplamını kayıp fonksiyonuna ekler, modelin seyrek olmasını teşvik eder.
• L2 düzenlemesi (Ridge) — katsayıların karelerinin toplamını ekler, ağırlıkları düzleştirir.

Python'da L2 düzenlemesi kullanarak doğrusal regresyon örneği:

from sklearn.linear_model import Ridge

model = Ridge(alpha=1.0)  # alpha — düzenleme katsayısı
model.fit(X_train, y_train)