Przejdź do treści
promptowy.com / Yapay Zeka Sözlüğü / Aşırı Öğrenme (Overfitting)
Modeller ve eğitim

Aşırı Öğrenme (Overfitting)

Aşırı öğrenme, yapay zeka modelinin eğitim verilerini ezberleyerek genel kuralları kaçırması ve yeni verilerle karşılaştığında başarısız olması durumudur.

Aşırı öğrenme ya da sıkça kullanılan İngilizce adıyla overfitting, bir yapay zeka veya makine öğrenimi modelinin, üzerinde eğitildiği veri kümesini adeta kelimesi kelimesine ezberlemesi durumudur. Bu durumda model, verideki temel mantığı veya genel kuralları öğrenmek yerine, sisteme özgü rastlantısal ayrıntıları ve gürültüleri değişmez birer kural gibi benimser. Sonuç olarak model, daha önce gördüğü veriler üzerinde kusursuz sonuçlar verirken, önüne gelen yeni ve farklı veriler karşısında çuvallar.

Makine öğreniminin en temel amacı genelleme yapabilmektir. İyi eğitilmiş bir algoritma, eğitim sürecinde hiç görmediği durumlarla karşılaştığında dahi mantıklı tahminler üretebilmelidir. Aşırı öğrenmeye kapılan bir sistem ise bu genelleme kabiliyetini tamamen yitirir; bir ders sınavına konuyu anlayarak çalışmak yerine test sorularının şıklarını ezberleyen bir öğrenciye benzer.

Aşırı Öğrenme Nasıl Oluşur?

Bir modelin aşırı öğrenmeye düşmesinin temel nedeni, modelin kapasitesi ile eldeki verinin hacmi ve kalitesi arasındaki dengesizliktir. Eğer model gereğinden fazla karmaşıksa, verideki her küçük sapmayı ve hatayı anlamlı bir örüntü sanarak hafızasına kazır. Bu durum özellikle şu etkenlerle hızlanır:

  • Yetersiz veri miktarı: Modelin elinde geneli temsil edecek kadar örnek olmadığında, mevcut az sayıdaki örneğin her detayına körü körüne bağlanır.
  • Gürültülü ve kirli veriler: Sisteme giren hatalı veya anlamsız kayıtlar, model tarafından kural gibi algılanabilir.
  • Modelin aşırı eğitilmesi: Eğitimin gereğinden çok tekrar (epoch) içermesi, modelin öğrenmeyi bırakıp ezber moduna geçmesine yol açar.

Günlük Hayattan Bir Örnek: Kadıköy'de Bir Çiçekçi

Durumu somutlaştırmak için Kadıköy Moda'da faaliyet gösteren bir çiçekçiyi ele alalım. Dükkan sahibi, hangi günlerde ne kadar gül satılacağını tahmin etmek için yapay zeka tabanlı bir algoritma kurmak istesin. Eğitim verisinde geçen yılki satışlar, hava durumu, haftanın günü ve hatta dükkanın önünden geçen mavi montlu insanların sayısı gibi kayıtlar yer alsın.

Eğer kurulan model aşırı öğrenmeye uğrarsa, Sevgililer Günü veya Anneler Günü gibi temel dinamikleri yakalamak yerine şunu öğrenebilir: Sadece salı günleri, hava sıcaklığı 14 derece olduğunda ve dükkanın önünden mavi montlu biri geçtiğinde 45 gül satılır. Model geçen yılın defterine baktığında yüzde yüz doğru tahminde bulunur çünkü o günü birebir ezberlemiştir. Fakat yeni bir yılın salı gününde benzer bir satış olduğunda, sırf mavi montlu biri geçmedi diye tahmini tamamen tutarsızlaşır. İşte aşırı öğrenme tam olarak bu mantık hatasıdır.

Overfitting Belirtileri Nelerdir?

Bir yapay zeka modelinin aşırı öğrenip öğrenmediğini anlamak oldukça pratiktir. En belirgin işaret, eğitim verisi ile doğrulama (validation) verisi arasındaki performans uçurumudur. Model, eğitim setindeki verileri değerlendirirken hata payı sıfıra yaklaşır ve başarı oranı yüzde yüze dayanır. Ancak eğitime dahil edilmeyen doğrulama setinde başarı aniden düşer, hata oranları tırmanışa geçer.

Büyük dil modellerinde (LLM) ise aşırı öğrenme kendini farklı biçimlerde belli eder. Model, özgün ve bağlama uygun yanıtlar türetmek yerine, eğitim setinde yer alan bir makaleyi, şiiri veya telifli bir metni harfi harfine tekrar etmeye başlar. Bu durum, modelin düşünme veya sentezleme yetisini kaybedip salt bir kopyalama mekanizmasına dönüştüğünü gösterir.

Aşırı Öğrenme Nasıl Engellenir?

Overfitting problemini çözmek, model geliştirme sürecinin en kritik parçalarından biridir. Bu sorunu önlemek için veri bilimciler belirli tekniklerden yararlanır:

  1. Veri Çeşitliliğini Artırmak: Daha fazla ve farklı kaynaklardan toplanan temiz veriler, modelin sadece tek bir örneğe takılıp kalmasını engeller.
  2. Erken Durdurma (Early Stopping): Modelin doğrulama seti üzerindeki performansı izlenir; başarı düşmeye başladığı anda eğitim süreci derhal kesilir.
  3. Düzenlileştirme (Regularization): Modele gereksiz yere karmaşık kurallar üretmemesi için matematiksel cezalar verilir, bu da algoritmanın daha sade modellere odaklanmasını sağlar.
  4. Seyreltme (Dropout): Eğitim esnasında ağdaki bazı yapay nöronlar rastgele devre dışı bırakılır, böylece model tek bir yola bağımlı kalmadan dayanıklı öğrenme geliştirir.

Sık Yapılan Bir Hata: Kusursuz Eğitim Başarısına Güvenmek

Yapay zekaya yeni adım atan birçok kişinin düştüğü en yaygın hata, eğitim ekranında görülen yüzde yüz doğruluk oranını nihai başarı zannetmektir. Gerçek dünyada yüzde yüz başarıya ulaşan bir eğitim performansı, çoğu zaman başarılı bir modelin değil, ağır bir aşırı öğrenme vakasının göstergesidir. Doğru yaklaşım, modelin daha önce hiç karşılaşmadığı test verileri karşısındaki performansını ve genelleme gücünü esas almaktır.

Sıkça sorulan sorular

Overfitting nedir kısaca?

Overfitting, yapay zekanın eğitim verilerini genellemek yerine ezberlemesi ve bu nedenle yeni, daha önce görmediği veriler karşısında başarısız tahminler yapmasıdır.

Aşırı öğrenme nasıl engellenir?

Daha fazla ve çeşitli veri toplayarak, modeli gereğinden uzun süre eğitmeyip erken durdurarak (early stopping) ve düzenlileştirme (regularization) yöntemlerini uygulayarak engellenir.

Overfitting ve underfitting arasındaki fark nedir?

Underfitting (yetersiz öğrenme) modelin verideki temel mantığı bile kavrayamaması durumuyken, overfitting modelin detayları gereğinden fazla ezberleyerek genelleme yeteneğini kaybetmesidir.

Dil modellerinde aşırı öğrenme nasıl anlaşılır?

Büyük dil modellerinde aşırı öğrenme, sistemin yeni cümleler üretmek yerine eğitiminde yer alan belirli paragrafları veya cümleleri harfi harfine kopyalayarak yanıt vermesiyle kendini gösterir.

← Yapay Zeka Sözlüğündeki tüm terimler

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›