Makine öğrenmesiyle ilk kez tanıştığımda karşıma çıkan en temel ve en sade algoritmalardan biri lineer regresyon oldu. İlk başta adı karmaşık gelse de, üzerinde biraz çalışınca aslında mantığının oldukça basit ve sezgisel olduğunu fark ettim.
Bu yazıda, kendi deneyimimden yola çıkarak size “Lineer regresyon nedir, ne işe yarar ve nasıl çalışır?” sorularını sade ve anlaşılır bir dille anlatmak istiyorum.
Lineer Regresyon Nedir?
Lineer regresyon, bağımlı bir değişken ile bir veya daha fazla bağımsız değişken arasındaki doğrusal ilişkiyi modelleyen bir istatistiksel yöntemdir.
Daha basit bir ifadeyle:
Bir değişkenin (örneğin: ev fiyatı) diğer değişkenlere (örneğin: oda sayısı, metrekare, konum) bağlı olarak nasıl değiştiğini tahmin etmeye çalışır.
Ben ilk kez öğrendiğimde elimde şu örnek vardı:
- Bağımsız değişken (X): Bir evin metrekaresi
- Bağımlı değişken (Y): O evin fiyatı
Amacımız, bu iki değişken arasındaki ilişkiyi bir doğru denklemine dökmekti:
📌 Y = b0 + b1*X
Burada:
Y: Tahmin edilen değer (örneğin evin fiyatı)X: Girdi (örneğin metrekare)b0: Yani sabit terim (intercept)b1: Eğim katsayısı (slope), yani X’teki bir birimlik artış Y’yi ne kadar etkiler?
Lineer Regresyon Ne İşe Yarar?
Benim için lineer regresyon, öngörü yapmanın temel taşı oldu. Aşağıdaki gibi birçok senaryoda kullanabiliyoruz:
- Ekonomi: Gelecek yılın enflasyon oranını tahmin et
- Gayrimenkul: Ev fiyatlarını konuma göre modelle
- Tıp: Yaşa göre kan basıncı tahmini
- Eğitim: Öğrenci çalıştıkça sınav notu nasıl değişir?
Yani lineer regresyon bize şunu söyler:
“Bu verilerde bir örüntü var ve ben bu örüntüyü yakalayarak tahmin yapabilirim.”
Lineer Regresyon Nasıl Çalışır?
Ben ilk kez bir veri setiyle çalıştığımda şunu öğrendim:
Lineer regresyonun temel amacı, veriye en iyi uyan doğruyu bulmak.
Bu “en iyi” kavramı matematiksel olarak şöyle tanımlanıyor:
- Her veri noktası ile bu doğrunun tahmin ettiği değer arasındaki fark bulunur (bu farka hata denir).
- Bu hataların kareleri alınır ve toplanır.
- Bu toplamın en küçük olduğu doğruyu bulmak amaçlanır. Bu yönteme En Küçük Kareler Yöntemi (Ordinary Least Squares – OLS) denir.
Lineer Regresyonun Avantajları
- Kolay yorumlanabilir: Denklem basittir ve açıklayıcıdır.
- Hızlı çalışır: Büyük veri setlerinde bile çok hızlıdır.
- Temel yapı taşıdır: Diğer birçok makine öğrenmesi algoritması lineer regresyona dayanır.
Sınırlamaları Nelerdir?
İlk projelerimde fark ettim ki lineer regresyon her zaman iyi sonuç vermiyor. Neden mi?
- Veriler doğrusal değilse (örneğin: eğri bir ilişki varsa) başarısız olur.
- Aykırı değerler, modelin yönünü tamamen değiştirebilir.
- Özellikler arasında yüksek korelasyon varsa (multikolineerlik), katsayılar anlamsızlaşabilir.
Bu yüzden lineer regresyon genellikle temel analiz aracı olarak kullanılır; karmaşık durumlar için daha gelişmiş algoritmalar tercih edilir.
