A'dan Z'ye İstatistik
Eksik veri, çoğu veri analizinde ve makine öğrenimi projelerinde karşılaşılan önemli bir sorundur. Eksik veriler, yanlış analizlere ve hatalı modeller oluşturulmasına yol açabilir. Bu nedenle, eksik verilerin uygun bir şekilde işlenmesi önemlidir. Aşağıda yaygın olarak kullanılan missing data imputation (eksik veri tamamlama) yöntemleri açıklanmıştır. 1. Eksik Verilerin Doğrudan Silinmesi 1.1 Satır Silme (Listwise Deletion) Bu … Devamını oku
Post Hoc Analizi Nedir? Post hoc analizi, istatistiksel bir analiz yöntemidir ve bir deney veya gözlem çalışmasında elde edilen verileri daha ayrıntılı bir şekilde analiz etmek için kullanılır. Bu analiz yöntemi, önceden belirlenmiş hipotezlerin test edilmesinden sonra gerçekleştirilir ve elde edilen sonuçların istatistiksel olarak anlamlı olup olmadığını belirlemek için kullanılır. Post hoc analizi, özellikle çoklu … Devamını oku
Post Hoc Analizi Nedir? Post hoc analizi, istatistiksel bir analiz yöntemidir ve bir deney veya gözlem çalışmasında elde edilen verileri daha ayrıntılı bir şekilde analiz etmek için kullanılır. Bu analiz yöntemi, önceden belirlenmiş hipotezlerin test edilmesinden sonra gerçekleştirilir ve elde edilen sonuçların istatistiksel olarak anlamlı olup olmadığını belirlemek için kullanılır. Post hoc analizi, özellikle çoklu … Devamını oku
Lasso regresyon, ağırlıkları sıfıra yakın olan gereksiz özellikleri filtrelemek için kullanılan bir regresyon yöntemidir. Lasso (Least Absolute Shrinkage and Selection Operator), regresyon katsayılarının toplamı yerine katsayıların mutlak değerlerinin toplamını cezalandırır. Bu sayede, bazı katsayılar sıfıra indirgenerek model daha basitleştirilir ve daha iyi genelleme yapabilir hale gelir. Lasso regresyon, özellik seçimi yaparken etkili bir yöntemdir. Özellik … Devamını oku
Açıklayıcılık katsayısı, bir regresyon modelinin ne kadar iyi uyum sağladığını gösteren bir ölçüdür. Bu katsayı, bağımsız değişkenlerin bağımlı değişkeni ne kadar açıkladığını ifade eder. Açıklayıcılık katsayısı genellikle 0 ile 1 arasında bir değer alır ve regresyon modelinin ne kadar iyi uyum sağladığını gösterir. 1’e ne kadar yakınsa, modelin verileri o kadar iyi açıkladığı söylenebilir. Açıklayıcılık … Devamını oku
Regresyon katsayısı, bağımlı değişken ile bir veya daha fazla bağımsız değişken arasındaki ilişkiyi ölçmek için kullanılır. Basit doğrusal regresyon durumunda, regresyon katsayısı, bağımsız değişken ile bağımlı değişken arasındaki ilişkinin gücünü ve yönünü belirler. Değerleri -1 ile +1 arasında olabilir. Pozitif bir regresyon katsayısı, bağımlı ve bağımsız değişkenler arasında doğrusal bir ilişkinin olduğunu, negatif bir regresyon … Devamını oku
Kappa katsayısı, iki veya daha fazla değerleyici arasındaki kategorik verilerin uyumunu ölçen bir istatistiksel yöntemdir. Kappa katsayısı, değerleyiciler arasındaki uyumun şans eseri olabileceğini de hesaba katarak, basit yüzde oranından daha güvenilir bir sonuç verir. Kappa katsayısı 0 ile 1 arasında bir değer alır. 0, değerleyiciler arasında hiçbir uyum olmadığını; 1, değerleyiciler arasında tam uyum olduğunu … Devamını oku
Konkordans Katsayısı (Kendall W Katsayısı), sıralama korelasyonu için bir parametrik olmayan istatistiktir. Friedman testinin bir istatistiğinin normalleştirilmesi olup, derecelendiriciler arasındaki uyumu değerlendirmek ve özellikle derecelendiriciler arası güvenilirliği değerlendirmek için kullanılabilir. Kendall W Katsayısı 0 (uyum yok) ile 1 (tam uyum) arasında değişir. Standart Pearson korelasyon katsayısını kullanan testler normal dağılımlı değerler varsayar ve aynı anda … Devamını oku
AUC, sınıflandırma problemlerinde modelin performansını ölçmek için kullanılan bir metriktir. AUC, ROC eğrisinin altında kalan alanın oranını ifade eder. ROC eğrisi ise, farklı eşik değerlerinde modelin gerçek pozitif oranı (TPR) ve yanlış pozitif oranı (FPR) arasındaki ilişkiyi gösterir . AUC değeri 0 ile 1 arasında değişir. AUC değeri 1’e yaklaştıkça, modelin sınıfları ayırt etme yeteneği … Devamını oku
ROC eğrisi, sınıflandırma problemlerinde bir performans ölçütüdür. ROC eğrisi, duyarlılık (gerçek pozitif oranı) ile yanlış pozitif oranı (1-spesifisite) arasındaki ilişkiyi gösterir. ROC eğrisi altında kalan alan, ROC puanı olarak adlandırılır ve modelin başarısını özetler. ROC eğrisi, farklı eşik değerlerinde modelin nasıl davrandığını görmek için kullanılır. Eşik değeri, olasılık değerlerine göre sınıflandırma yapmak için bir kriterdir. … Devamını oku