Ne zaman bir regresyon modeli uydursak, modelin, yan\u0131t de\u011fi\u015fkeninin de\u011ferini tahmin etmek i\u00e7in yorday\u0131c\u0131 de\u011fi\u015fkenlerin de\u011ferlerini ne kadar iyi kullanabilece\u011fini anlamak isteriz.<\/span><\/p>\n Bir modelin bir veri k\u00fcmesine ne kadar iyi uydu\u011funu \u00f6l\u00e7mek i\u00e7in s\u0131kl\u0131kla kulland\u0131\u011f\u0131m\u0131z iki \u00f6l\u00e7\u00fcm, a\u015fa\u011f\u0131daki gibi hesaplanan ortalama kare hatas\u0131 (MSE) ve k\u00f6k ortalama kare hatas\u0131d\u0131r (RMSE):<\/span><\/p>\n MSE<\/strong> : Bir veri k\u00fcmesindeki tahmin edilen de\u011ferler ile ger\u00e7ek de\u011ferler aras\u0131ndaki ortalama karek\u00f6k fark\u0131n\u0131n bize bildirildi\u011fi bir metrik. MSE ne kadar d\u00fc\u015f\u00fck olursa, model bir veri k\u00fcmesine o kadar iyi uyar.<\/span><\/p>\n MSE = \u03a3(\u0177 ben<\/sub> \u2013 y ben<\/sub> ) 2<\/sup> \/ n<\/span><\/p>\n Alt\u0131n:<\/span><\/p>\n RMSE<\/strong> : Bir veri k\u00fcmesindeki tahmin edilen de\u011ferler ile ger\u00e7ek de\u011ferler aras\u0131ndaki ortalama kare fark\u0131n\u0131n karek\u00f6k\u00fcn\u00fc bize s\u00f6yleyen bir metrik. RMSE ne kadar d\u00fc\u015f\u00fck olursa, model bir veri setine o kadar iyi uyar.<\/span><\/p>\n A\u015fa\u011f\u0131daki \u015fekilde hesaplan\u0131r:<\/span><\/p>\n RMSE = \u221a \u03a3(\u0177 ben<\/sub> \u2013 y ben<\/sub> ) 2<\/sup> \/ n<\/span><\/span><\/p>\n Alt\u0131n:<\/span><\/p>\n Form\u00fcllerin neredeyse ayn\u0131 oldu\u011funu unutmay\u0131n. Asl\u0131nda ortalama kare hatas\u0131, ortalama kare hatas\u0131n\u0131n sadece kare k\u00f6k\u00fcd\u00fcr.<\/span><\/p>\n Bir modelin bir veri k\u00fcmesine ne kadar iyi uydu\u011funu de\u011ferlendirmek i\u00e7in RMSE’yi daha s\u0131k kullan\u0131r\u0131z<\/strong> \u00e7\u00fcnk\u00fc yan\u0131t de\u011fi\u015fkeniyle ayn\u0131 birimlerde \u00f6l\u00e7\u00fcl\u00fcr.<\/span><\/p>\n Tersine, MSE yan\u0131t de\u011fi\u015fkeninin kare birimleriyle \u00f6l\u00e7\u00fcl\u00fcr.<\/span><\/p>\n Bunu a\u00e7\u0131klamak i\u00e7in, bir basketbol ma\u00e7\u0131nda 10 oyuncunun ka\u00e7 puan alaca\u011f\u0131n\u0131 tahmin etmek i\u00e7in bir regresyon modeli kulland\u0131\u011f\u0131m\u0131z\u0131 varsayal\u0131m.<\/span><\/p>\n A\u015fa\u011f\u0131daki tablo, model taraf\u0131ndan tahmin edilen puanlar\u0131n, oyuncular\u0131n att\u0131\u011f\u0131 ger\u00e7ek puanlarla kar\u015f\u0131la\u015ft\u0131rmas\u0131n\u0131 g\u00f6stermektedir:<\/span> <\/p>\n Ortalama kare hatas\u0131n\u0131 (MSE) \u015fu \u015fekilde hesaplar\u0131z:<\/span><\/p>\n K\u00f6k ortalama kare hatas\u0131 16’d\u0131r.<\/strong> Bu bize modelin \u00f6ng\u00f6rd\u00fc\u011f\u00fc de\u011ferler ile ger\u00e7ek de\u011ferler aras\u0131ndaki k\u00f6k ortalama kare fark\u0131n\u0131n 16 oldu\u011funu s\u00f6yler.<\/span><\/p>\n K\u00f6k ortalama kare hatas\u0131 (RMSE), basit\u00e7e MSE’nin karek\u00f6k\u00fc olacakt\u0131r:<\/span><\/p>\n Ortalama kare hatas\u0131 4’t\u00fcr.<\/strong> Bu bize, at\u0131lan tahmin edilen puanlar ile at\u0131lan ger\u00e7ek puanlar aras\u0131ndaki ortalama sapman\u0131n 4 oldu\u011funu s\u00f6yler.<\/span><\/p>\n Ortalama karesel hatay\u0131 yorumlaman\u0131n ortalama karesel hatadan \u00e7ok daha basit oldu\u011funu unutmay\u0131n, \u00e7\u00fcnk\u00fc burada “al\u0131nan puanlar\u0131n karesi” yerine “kazan\u0131lan puanlardan” bahsediyoruz.<\/span><\/span><\/p>\n Uygulamada, genellikle birden fazla regresyon modelini bir veri k\u00fcmesine s\u0131\u011fd\u0131r\u0131r\u0131z ve her modelin ortalama karek\u00f6k hatas\u0131n\u0131 (RMSE) hesaplar\u0131z.<\/span><\/p>\n Daha sonra RMSE de\u011feri en d\u00fc\u015f\u00fck olan modeli \u201cen iyi\u201d model olarak se\u00e7iyoruz \u00e7\u00fcnk\u00fc tahminleri veri setindeki ger\u00e7ek de\u011ferlere en yak\u0131n yapan modeldir.<\/span><\/p>\n Her modelin MSE de\u011ferlerini de kar\u015f\u0131la\u015ft\u0131rabilece\u011fimizi ancak RMSE’nin yorumlanmas\u0131n\u0131n daha basit oldu\u011funu ve bu nedenle daha s\u0131k kullan\u0131ld\u0131\u011f\u0131n\u0131 unutmay\u0131n.<\/span><\/p>\n \u00c7oklu Do\u011frusal Regresyona Giri\u015f<\/a> Regresyon modelleri, bir veya daha fazla yorday\u0131c\u0131 de\u011fi\u015fken ile bir yan\u0131t de\u011fi\u015fkeni aras\u0131ndaki ili\u015fkiyi \u00f6l\u00e7mek i\u00e7in kullan\u0131l\u0131r. Ne zaman bir regresyon modeli uydursak, modelin, yan\u0131t de\u011fi\u015fkeninin de\u011ferini tahmin etmek i\u00e7in yorday\u0131c\u0131 de\u011fi\u015fkenlerin de\u011ferlerini ne kadar iyi kullanabilece\u011fini anlamak isteriz. Bir modelin bir veri k\u00fcmesine ne kadar iyi uydu\u011funu \u00f6l\u00e7mek i\u00e7in s\u0131kl\u0131kla kulland\u0131\u011f\u0131m\u0131z iki \u00f6l\u00e7\u00fcm, a\u015fa\u011f\u0131daki […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2251","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n\n
\n
RMSE vs. MSE: Hangi Metri\u011fi Kullanmal\u0131s\u0131n\u0131z?<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mse_1.png\")
<\/p>\n\n
\n
RMSE pratikte nas\u0131l kullan\u0131l\u0131r?<\/strong><\/span><\/h3>\n
Ek kaynaklar<\/span><\/strong><\/span><\/h3>\n
RMSE ve R-Squared: Hangi Metri\u011fi Kullanmal\u0131s\u0131n\u0131z?<\/a>
RMSE Hesaplay\u0131c\u0131<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"