--- title: Model Eğitimi ve Testi slug: model-egitimi-ve-testi-c6227 url: /detay/model-egitimi-ve-testi-c6227 type: article language: Türkçe entity: primary: Model Eğitimi ve Testi type: article disambiguation: Makine öğrenmesi model eğitimi ve testi: Veri analizi, algoritma seçimi ve performans değerlendirmesi. categories: - name: Yazılım Ve Yapay Zekâ slug: yazilim-ve-yapay-zeka url: /kategori/yazilim-ve-yapay-zeka tags: - Performans Metrikleri - Overfitting - Test Süreci - Model Eğitimi - Makine Öğrenmesi author: Hüsnü Umut Okur created_at: 2025-07-06T00:16:40.895663+03:00 updated_at: 2026-03-30T14:18:50.620963+03:00 image: https://cdn.t3pedia.org/media/uploads/2025/07/05/PgRKOaOoiWDXdJgHU6dvzE5BOrXu0xhM.png --- # Model Eğitimi ve Testi ## Article Content Makine öğrenmesi ve [yapay zekâ](/tr/detay/yapay-zeka-ve-makine-ogrenmesi/llms.txt) sistemlerinde [model eğitimi ve testi](/tr/detay/model-training-and-testing-4d3d9/llms.txt), veriye dayalı bir sistemin öğrenme yeteneğini kazanması ve bu öğrenmenin doğruluğunun değerlendirilmesi sürecidir. Model eğitimi; bir algoritmanın, verilen etiketli veriler üzerinden kalıpları öğrenmesini, model testi ise bu öğrenmenin gerçek hayattaki yeni verilere uygulanabilirliğini ölçmeyi amaçlar. Bu süreçler [denetimli](/tr/detay/denetimli-ogrenme-3f18e/llms.txt), denetimsiz ve [pekiştirmeli öğrenme](/tr/detay/makine-ogrenmesi-748491/llms.txt) yöntemlerinin her birinde farklılık gösterebilir, ancak temel yapı benzer aşamalara sahiptir. ### **Model Eğitimi Süreci** Model eğitimi genellikle aşağıdaki aşamalardan oluşur: 1. **Veri Toplama: **İyi bir model eğitimi, kaliteli ve temsili bir veri setine bağlıdır. Veriler genellikle sensörlerden, kullanıcı girişlerinden, veri tabanlarından ya da açık kaynak veri kümelerinden toplanır. 2. **Veri Ön İşleme: **Toplanan veriler eksik değerlerin giderilmesi, kategorik verilerin kodlanması, normalizasyon ve boyut indirgeme gibi işlemlerden geçirilir. Bu aşama, modelin öğrenme kapasitesini doğrudan etkiler. 3. **Eğitim ve Test Verisi Ayrımı: **Verilerin genellikle %70–80'i eğitim, geri kalanı test (veya doğrulama) verisi olarak ayrılır. Bu ayrımın amacı, modelin daha önce görmediği veriler üzerindeki performansını değerlendirmektir. 4. **Model Seçimi ve Yapılandırması: **Problemin türüne göre uygun bir algoritma (örneğin lojistik regresyon, karar ağaçları, yapay sinir ağları, destek vektör makineleri) seçilir. Modelin hiperparametreleri yapılandırılır. 5. **Eğitim (Training): **Eğitim verisi, modelin öğrenmesi için kullanılır. Bu süreçte model, girdiler ile hedef çıktılar arasındaki ilişkileri öğrenerek ağırlıklarını günceller. Bu genellikle bir optimizasyon algoritması (örneğin stochastic gradient descent) yardımıyla yapılır. 6. **Doğrulama (Validation): **Modelin aşırı öğrenme (overfitting) yapıp yapmadığı, doğrulama verisi ile kontrol edilir. Bu adımda genellikle erken durdurma (early stopping), çapraz doğrulama (k-fold cross-validation) gibi teknikler kullanılır. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/07/05/cdf1OCW4fJPyHQvPxvWTh9d7yBgXgYUN.png) *Aşamalı Model Eğitimi ve Test Süreci (Bu görsel Yapay Zeka ile oluşturulmuştur.)* ### **Model Testi ve Değerlendirme** Modelin test aşaması, eğitimi tamamlanmış bir algoritmanın daha önce hiç görmediği veri seti üzerindeki performansını ölçmeye yöneliktir. Bu süreçte kullanılan metrikler, modelin öğrenilen bilgileri ne ölçüde genelleyebildiğini yani **genelleme kabiliyetini** değerlendirir. Modelin performansı hem nicel hem de nitel analizlerle ölçülür. ##### **Temel Performans Metrikleri** **Doğruluk (Accuracy): **Toplam doğru tahmin sayısının toplam örnek sayısına oranıdır. Genellikle dengeli sınıf dağılımı olan veri kümelerinde anlamlı bir ölçümdür. Ancak dengesiz veri setlerinde yanıltıcı olabilir. Örneğin, %95 oranında negatif sınıf içeren bir veri setinde tüm tahminler negatif yapılırsa [doğruluk](/tr/detay/veri-etiketi-ve-dogruluk-denetimi-7af11/llms.txt) %95 olur, ancak model aslında anlamlı bir şey öğrenmemiştir. **Hassasiyet (Precision): **Modelin pozitif olarak tahmin ettiği örneklerden kaç tanesinin gerçekten pozitif olduğunu gösterir. Özellikle yanlış pozitiflerin maliyetli olduğu (örneğin spam filtreleri) durumlarda önemlidir. $Precision= (TP+FP)/TP​$ **Duyarlılık (Recall / Sensitivity): **Gerçekten pozitif olan verilerden kaç tanesinin model tarafından doğru tahmin edildiğini gösterir. Tıbbi teşhis gibi kaçırılmaması gereken durumlarda kritiktir. $Recall= (TP+FN)/TP​$ **F1 Skoru: **Precision ve Recall’un harmonik ortalamasıdır. Dengeli bir model performansı için kullanılır. [F1 skoru](/tr/detay/karisiklik-matrisi/llms.txt) **0 ile 1** arasında değişir. **0.8 ve üzeri** skorlar genellikle başarılı modelleri temsil eder. **0.6–0.8 arası** kabul edilebilir düzey, **0.6 altı** ise çoğu durumda iyileştirilmesi gereken modelleri gösterir. $F1=2⋅ (Precision⋅Recall)/(Precision+Recall)​$ **ROC-AUC Eğrisi (Receiver Operating Characteristic – Area Under Curve): **Modelin sınıflar arasında ayırt edebilme yeteneğini ölçer. ROC eğrisi, true positive rate’e (Recall) karşı false positive rate grafiğidir. **AUC skoru 0.5** rastgele tahmin anlamına gelir. **AUC > 0.8** modeller genellikle güçlüdür. **Kayıp Fonksiyonu (Loss Function): **Modelin tahmin ettiği değer ile gerçek değer arasındaki farkı ölçen fonksiyondur. Eğitim ve test süreçlerinde modelin ne kadar “yanlış” olduğunu sayısal olarak ifade eder. Örneğin; **Mean Squared Error (MSE)** regresyon modellerinde, **Binary Cross Entropy** ise ikili sınıflandırma problemlerinde sıkça kullanılır. #### **Aşırı Öğrenme (Overfitting) ve Az Öğrenme (Underfitting)** **Overfitting (Aşırı Öğrenme): **Modelin eğitim verisini çok iyi öğrenip test verisine genelleyememesi durumudur. Bu durumda model eğitim verisi üzerinde çok düşük hata verirken, yeni veriler üzerinde yüksek hata oranlarına sahip olur. Aşırı öğrenmenin tipik belirtisi, eğitim kaybının düşük, ancak doğrulama/test kaybının yüksek olmasıdır. **Çözüm yolları: **Daha fazla veri toplama - Regularization (L1/L2) - Erken durdurma (early stopping) - Model karmaşıklığını azaltma **Underfitting (Az Öğrenme): **Modelin ne eğitim ne de test verisine uyum sağlayamamasıdır. Genellikle modelin karmaşıklığı yetersizdir ya da eğitim süresi yetersizdir. ##### **Çözüm yolları** - Daha karmaşık modeller kullanmak - Özellik mühendisliğini iyileştirmek - Eğitim süresini veya öğrenme oranını artırmak Model eğitimi ve testi, yapay zekâ projelerinin doğruluğunu ve güvenilirliğini belirleyen temel süreçlerdir. Eğitim kalitesi, veri bütünlüğü ve test protokollerinin doğruluğu, uygulamanın başarısını doğrudan etkiler. Bu nedenle model geliştirme süreci iteratif olarak ilerlemeli ve hem teknik hem de etik bakış açısıyla sürekli değerlendirilmelidir. ## Academic Sources and References 1. Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep Learning. MIT Press, 2016. 2. Géron, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, 2019. 3. ISLR. “An Introduction to Statistical Learning.” Springer, 2021. 4. Scikit-learn Documentation. “Model Evaluation and Selection.” Erişim Temmuz 6, 2025. https://scikit-learn.org/stable/model\_selection.html 5. TensorFlow. “Training and Evaluation.” Erişim Temmuz 6, 2025. https://www.tensorflow.org/tutorials/keras/classification