REGRESYON

Veri biliminde regresyon, bir veya birden fazla bağımsız değişken ile bir bağımlı değişken arasındaki ilişkiyi kullanarak yapılan bir tahminleme modelidir. Regresyon analizi, hem istatistik hem de makine öğrenmesinde kullanılan bir yöntem olup değişkenler arasındaki ilişkiyi matematiksel olarak modelleyerek ilerler. Sonuç olarak model, yeni veri girdilerine dayanarak bağımlı değişkenin gelecekte alabileceği değerleri tahmin etmeye çalışır. Yani regresyon ne demek sorusuna, sonucu etkilediği düşünülen bağımsız değişkenler ile tahmin edilmeye çalışılan bağımlı değişken arasındaki ilişkiye dayanarak tahmin yapılmasını sağlayan istatistiksel ve makine öğrenmesi yöntemi şeklinde cevap vermek mümkündür.

Regresyon Çeşitleri

Regresyon; basit doğrusal, çoklu doğrusal, lojistik, polinom, Ridge ve Lasso regresyon olmak üzere yaygın olarak kullanılan farklı türlere ayrılır. Aşağıdaki listede bu regresyon türlerini inceleyebilirsiniz.

• Doğrusal Regresyon: Basit doğrusal regresyon, tek bir bağımsız değişken ile bir bağımlı değişken arasındaki ilişkiyi modellemek için kullanılır. Örneğin bir öğrencinin sınav notunu ders çalışma süresine göre tahmin etmek için basit doğrusal regresyon modeli kullanılabilir.
• Çoklu Doğrusal Regresyon: Birden fazla bağımsız değişken ile tek bir bağımlı değişken arasındaki ilişkiyi modelleyen tahminleme yöntemidir. Emlak sektöründe metrekare, oda sayısı, bina yaşı ve konum gibi bağımsız değişkenler kullanılarak ev fiyatı tahmin edilebilir.
• Lojistik Regresyon: Lojistik regresyon diğer regresyon türlerinden farklı olarak sürekli bir değer yerine belirli bir sınıfa ait olma olasılığını tahmin eder ve bu olasılığa göre sınıflandırma gerçekleştirir. Örneğin bir sunucunun arıza yapıp yapmayacağını tahmin etmek için lojistik regresyon kullanıldığında sonuç "Evet" veya "Hayır" gibi kategoriler şeklinde elde edilebilir.
• Polinom Regresyon: Polinom regresyon, değişkenler arasındaki ilişkinin doğrusal olmadığı durumlarda kullanılır. Örneğin sunucu yükü ile yanıt süresi arasındaki doğrusal olmayan ilişkiyi modellemek için polinom regresyon tercih edilebilir. Eş zamanlı kullanıcı sayısı arttıkça yanıt süresi artsa da bu artış her zaman doğrusal gerçekleşmez. Özellikle sistem kapasitesine yaklaşıldığında performans düşüşü daha belirgin hâle gelebilir.
• Ridge ve Lasso Regresyon: Düzenlileştirme (regularization) yöntemleri olarak kabul edilen Ridge ve Lasso regresyon, model karmaşıklığını azaltarak aşırı öğrenmeyi (overfitting) önlemeye yardımcı olur. Ridge regresyon tüm değişkenlerin katsayılarını küçültürken, Lasso regresyon bazı katsayıları sıfıra indirerek gereksiz değişkenleri modelden çıkarabilir. Örneğin bir evin fiyatını metrekare, oda sayısı, bina yaşı, konum, kapı rengi ve banyodaki priz sayısı gibi değişkenlerle tahmin etmeye çalıştığımızda, modele anlamlı katkı sağlamayan değişkenlerin etkisi azaltılabilir veya tamamen ortadan kaldırılabilir.

Konuyla alakalı daha fazla bilgi için Regresyon Analizi Nedir? Veri Odaklı Karar Süreçlerindeki Rolü başlıklı blog metnimizi okuyabilirsiniz.