Bölüm 2 Giriş
Bu kitap (supervised) makine öğrenmesi modellerini nasıl yorumlayacağınızı anlatıyor. Bölümler matematiksel formüller içerse de metotları formüller olmadan da anlayabilirsiniz, fakat sıfırdan makine öğrenmesi öğrenmek isteyenler bu kitap uygun değil. Eğer alanda yeniyseniz, temel fikirleri öğrenmek için bir sürü kitap ve kaynak var. Benim başlangıç için tavsiyelerim Hastie, Tibshirani ve Friedman tarafından yazılan "The Elements of Statistical Learning" (2009) kitabı ve Andrew Ng'in coursera.com platformundaki "Machine Learning" online kursu. Her iki kaynak da ücretsiz!
Makine öğrenmesi modellerinin yorumlanmasıyla ilgili yeni metotlar aşırı hızlı bir şekilde yayınlanıyor. Yayınlanmış her şeye yetişmek imkansız. Bu yüzden bu kitapta en yeni ve havalı metotlar yerine yerleşmiş metotları ve temel kavramları bulacaksınız. Temel kavramları içselleştirmek, yorumlanabilirlik üzerine arxiv.org'da (siz bu kitabı okumaya başladıktan sonraki beş dakika içinde) yayınlanan makaleleri daha iyi anlamanıza ve değerlendirmenize yardımcı olacaktır. (Yayınlanma hızını abartmış olabilirim.)
Kitap, konuları anlamanız için gerekli olmayan fakat sizi eğlendirecek ve düşünmeye itecek birkaç distopik kısa hikayeyle başlıyor. Sonrasında makine öğrenmesinde yorumlanabilirlik kavramları inceleniyor. Yorumlanabilirliğin ne zaman önemli hale geldiğini ve farklı açıklamaların neler olduklarını tartışacağız. Kitap boyunca kullanılan terimler terminoloji bölümünde bulunabilir. Açıklanan modellerin ve metotların çoğu veri bölümünde gerçek veriyle örneklendi. Makine öğrenmesini yorumlanabilir kılmanın bir yolu karar ağaçları ve lineer modeller gibi yorumlanabilir modeller kullanmak. Diğer seçenek ise supervised makine öğrenmesi modellerine uygulanabilecek modelden bağımsız metotlar kullanmak. Modelden bağımsız metotlar, ortalama davranışı açıklayan evrensel metotlar ve tekil tahminleri açıklayan yerel metotlar olmak üzere ikiye ayrılır. Modelden bağımsız metotlar bölümü kısmi bağlılık grafikleri (partial dependence plots) ve nitelik değerleri gibi metotlarla ilgili. Modelden bağımsız metotlar girdiyi değiştirip çıktıdaki değişiklikleri inceleyerek çalışıyor. Sonrasında kitap yorumlanabilir makine öğrenmesinin geleceğine iyimser bir bakışla sonlanıyor.
Kitabı isterseniz baştan sona okuyabilir, isterseniz de direkt ilginizi çeken metotlara atlayabilirsiniz.
Umarım okumak hoşunuza gider!
Friedman, Jerome, Trevor Hastie, and Robert Tibshirani. “The elements of statistical learning”. www.web.stanford.edu/~hastie/ElemStatLearn/ (2009).↩︎