error_outline Hata Puanı Sistemi
Bir evin fiyatı gerçekte 500 bin TL olsun. Sizin yapay zeka modeliniz 400 bin TL tahmin etti. Hatanız 100 bin TL'dir. Sistem bu hatayı Loss Function ile hesaplar. Eğer hata yüksekse (Loss yüksekse), model 'Çok kötüyüm, kendimi düzeltmeliyim' der ve Gradyan İnişi (Gradient Descent) mekanizmasını çalıştırarak bir sonraki seferde daha iyi tahmin yapmaya çalışır. Eğitim, Loss sayısı düşmeyi bıraktığında biter.
Sıkça Kullanılan Türleri
functions MSE (Mean Squared Error)
Genellikle sayı tahminlerinde (Regresyon) kullanılır. Hataların karesini alarak büyük hataları daha çok cezalandırır.
category Cross-Entropy Loss
Kedi, Köpek, Araba gibi kategorik sınıflandırma (Classification) görevlerinde doğru kategoriyi bulma oranını hesaplayan en yaygın fonksiyondur.
Kayıp Fonksiyonu Seçimi: Göreve Göre Rehber
- check_circle Regresyon: MSE ve MAE: Mean Squared Error (MSE), büyük hataları karekök alarak daha çok cezalandırır; aykırı değerlere duyarlı. Mean Absolute Error (MAE) hataların mutlak değerini alır; aykırı değerlere daha dirençli. Huber Loss her ikisinin hibridini sunar: küçük hatalar için MSE, büyük için MAE davranışı.
- check_circle İkili Sınıflandırma: Binary Cross-Entropy: Model çıktısını sigmoid ile olasılığa çevirir ve gerçek etiketle çapraz entropi hesaplar. Logistik regresyon ve ikili sınıflandırma görevlerinde standart kayıp fonksiyonu.
- check_circle Çok Sınıflı Sınıflandırma: Categorical Cross-Entropy: Model çıktısını softmax ile olasılık dağılımına çevirir; gerçek sınıfın log-olasılığını maksimize etmeyi hedefler. Görüntü sınıflandırma ve NLP token tahmininde yaygın kullanılır.
- check_circle Üretken Modeller: KL Divergence ve ELBO: KL Divergence iki olasılık dağılımı arasındaki farkı ölçer; VAE (Variational Autoencoder) eğitiminde latent uzay düzenlenmesi için kullanılır. Evidence Lower Bound (ELBO) VAE'nin toplam kayıp fonksiyonu yeniden yapılandırma + KL regularizasyonu birleştirir.
Kayıp Fonksiyonu ve Optimizasyon İlişkisi
Kayıp fonksiyonu (loss function / cost function), modelin ne kadar yanlış tahmin yaptığını sayısal olarak ölçer ve eğitimin pusula değeridir. Geri yayılım (backpropagation), bu kaybın her model parametresine göre türevini hesaplar; gradient descent ise bu türevler yönünde parametreleri günceller. Kayıp fonksiyonu seçimi kritiktir: yanlış kayıp, modeli yanlış yönde optimize eder. Örneğin sınıf dengesizliği olan problemlerde standart cross-entropy yetersizdir; focal loss veya ağırlıklı cross-entropy kullanılır. İnsan geri bildirimiyle pekiştirmeli öğrenmede (RLHF) model, insan tercihinden türetilen ödül sinyalini kayıp gibi kullanarak hizalanır. Kayıp fonksiyonu tasarımı araştırma alanı olmayı sürdürmektedir: özellikle multimodal ve üretken modellerde yeni kayıp formülasyonları farklı yetkinlik boyutlarını dengelemeye çalışır.
Sıkça Sorulan Sorular
- check_circle Kayıp fonksiyonu nedir?: Kayıp fonksiyonu (loss function), makine öğrenmesinde modelin tahminleri ile gerçek değerler arasındaki farkı ölçen matematiksel fonksiyondur. Eğitim sırasında geri yayılım bu kaybı minimize edecek biçimde model ağırlıklarını günceller.
- check_circle MSE ile cross-entropy arasındaki fark nedir?: MSE (Mean Squared Error), tahmin ile gerçek değer arasındaki karesel ortalama farkı hesaplar; regresyon görevleri için uygundur. Cross-entropy, model çıktısını olasılık olarak yorumlayan sınıflandırma kayıp fonksiyonudur; log-olasılık farkını ölçer. Sınıflandırma için MSE kullanmak genellikle yanlış seçimdir: gradyanlar zayıf kalır ve öğrenme yavaşlar.
- check_circle Eğitim kaybı neden düşüyor ama doğrulama kaybı artıyor?: Overfitting'in klasik işareti: model eğitim verisini ezberliyor, yeni verilere genelleme yapamıyor. Dropout, L1/L2 düzenlemesi, veri artırma veya daha küçük model gibi önlemler bu durumu düzeltebilir. Doğrulama kaybının artmaya başladığı noktada early stopping eğitimi durdurur.