X Harfi ile Başlayan Terimler
XGBoost (Makine Öğrenimi Algoritması)
XGBoost (eXtreme Gradient Boosting), gradyan artırma (gradient boosting) algoritmasının son derece optimize edilmiş, hızlı ve yüksek performanslı bir uygulamasıdır. Tianqi Chen tarafından geliştirilen ve 2016'da yayımlanan makaleyle kamuoyuna sunulan XGBoost, Kaggle ve gerçek dünya veri bilimi projelerinde tablo verisi (tabular data) görevlerinin standart aracı haline gelmiştir. Gradyan artırma, zayıf öğrenenleri (genellikle karar ağaçları) sırayla ekleyen bir topluluk yöntemidir. Her yeni ağaç, önceki ağaçların hatalarını (artıkları) düzeltmeye odaklanır. XGBoost bu prensibi alırken çeşitli özgün yenilikler ekler: ikinci derece Taylor açılımı kullanan kayıp fonksiyonu yaklaşımı, L1/L2 düzenlileştirme, sütun örneklemesi, paralel işlem ve eksik değer yönetimi. XGBoost'un en güçlü özelliklerinden biri düzenlileştirmedir: ağaç derinliğini ve yaprak ağırlıklarını cezalandırarak aşırı uyumu (overfitting) azaltır. Bu özellik, random forest ve standart gradient boosting üzerinde önemli avantaj sunar. Ayrıca eksik değerlere doğal bir yaklaşım sergiler: eğitim sırasında hangi yönde gitmenin daha iyi olduğunu öğrenir. LightGBM (Microsoft) ve CatBoost (Yandex), XGBoost'un başarısı üzerine geliştirilen alternatiflerdir. Büyük veri kümelerinde LightGBM genellikle daha hızlıdır; kategorik özellikler için CatBoost öne çıkabilir. XGBoost, sklearn API uyumluluğu ve geniş dil desteği (Python, R, Java, Scala) ile üretim ortamlarında yaygın tercih olmaya devam etmektedir. SHAP değerleri aracılığıyla tahmin yorumlanabilirliği de XGBoost ekosisteminde olgunlaşmış bir özelliktir; model kararları özellik bazında açıklanabilir. Pratik kullanımda early stopping, n_estimators ve learning_rate üçlüsü en kritik hiperparametrelerdir. Çapraz doğrulama ile birlikte kullanılan early stopping hem aşırı uyumu önler hem de en uygun ağaç sayısını otomatik belirler. GPU hızlandırma (tree_method='gpu_hist') büyük veri kümelerinde eğitim süresini önemli ölçüde kısaltır. Sklearn uyumlu API ile mevcut makine öğrenimi boru hatlarına kolayca entegre edilebilir; XGBClassifier ve XGBRegressor sınıfları standart fit/predict arayüzünü destekler. Özellik önemi (feature importance) ve SHAP değerleri birlikte kullanıldığında hangi değişkenlerin tahminleri ne yönde etkilediği net biçimde ortaya çıkar.
XAI (Explainable AI) (Açıklanabilir Yapay Zeka)
Açıklanabilir Yapay Zeka (XAI — Explainable Artificial Intelligence), yapay zeka sistemlerinin nasıl karar verdiğini insan tarafından anlaşılabilir biçimde ortaya koyan yöntemler ve teknikler bütünüdür. Derin sinir ağları başta olmak üzere karmaşık modeller; giriş verisini çıktıya dönüştürürken yüzlerce katman ve milyonlarca parametre kullanır — bu iç yapı onları "kara kutu" (black box) haline getirir. XAI, bu kara kutuyu açarak hangi özelliğin kararı nasıl etkilediğini gösterir. XAI yöntemleri iki eksen üzerinde sınıflandırılır. Model-agnostik yöntemler herhangi bir modele uygulanabilir: LIME ve SHAP bu gruba girer. Model-özgü yöntemler ise yalnızca belirli mimarilerle çalışır: Grad-CAM evrişimli ağlara (CNN) özgüdür. Ayrıca global yöntemler modelin genel davranışını açıklarken yerel yöntemler tek bir tahminin nedenini gösterir. SHAP (SHapley Additive exPlanations), her özelliğin tahmine katkısını oyun teorisinden gelen Shapley değerleriyle hesaplar; negatif değer tahmini düşürürken pozitif değer yükseltir. TreeSHAP, ağaç tabanlı modeller için polinomiyal karmaşıklıkla verimli çalışır. LIME (Local Interpretable Model-agnostic Explanations), tahmin noktasının çevresindeki bölgede basit ve yorumlanabilir bir model — tipik olarak doğrusal regresyon — uydurarak yerel açıklama üretir. Grad-CAM ise görüntü sınıflandırıcısının hangi piksellere odaklandığını gradyan bilgisiyle ısı haritasına dönüştürerek görselleştirir; tıbbi görüntüleme ve otonom sürüş gibi güvenlik kritik alanlarda yaygın kullanım bulur. Düzenleyici boyut açısından AB Yapay Zeka Yasası (AI Act), yüksek riskli YZ sistemlerinde — kredi değerlendirme, işe alım, klinik karar destek — şeffaflık ve açıklanabilirlik yükümlülükleri getirir. GDPR kapsamındaki "otomatik karar haklarına itiraz" maddesi de açıklanabilirliği zorunlu kılar. Türkiye'de KVKK çerçevesinde otomatik karar sistemlerine yönelik açıklanabilirlik baskısı giderek artmaktadır. Python ekosisteminde shap kütüphanesi Scikit-learn, XGBoost ve TensorFlow modellerine doğrudan uygulanabilir; lime kütüphanesi tabular, metin ve görüntü verileri için yerel açıklama üretir. Bu araçlar, veri bilimcilerin model davranışını müşterilere, düzenleyicilere veya etkilenen taraflara iletmesini kolaylaştırır.