Deneyap Translation October

Decision Tree (CART) - Machine Learning Fun and Easy
https://www.youtube.com/watch?v=DCZ3tsQIoGU

00:02

And Welcome to another fun and easy Machine learning tutorial on Decision Trees.

Türkçe:

Ve  Karar Ağaçları hakkında başka bir eğlenceli ve kolay Makine Öğrenmesi öğreticisine hoş geldiniz.

00:10

A Decision tree is a type of supervised learning algorithm that is mostly used in classification problems. 

 Türkçe:

 Karar ağacı, çoğunlukla sınıflandırma probleminde kullanılan bir tür denetimli öğrenme algoritmasıdır.

00:18

A tree has many analogies in life and turns out it is influenced in wide area of machine learning covering both classification and regression trees, otherwise known as CART.
Türkçe:

Bir ağaç yaşamda birçok çıkarıma sahiptir ve CART olarak da bilinen hem sınıflandırma hem de regresyon ağaçlarını kapsayan geniş makine öğrenim alanından etkilenmiştir.

00:30

Please join our notification brigade by subscribing and clicking that bell icon.
Türkçe:  
Lütfen bu zil simgesine abone olun ve bu simgeyi tıklayarak bildirimlerimize katılın.

00:35

So a decision tree is a flowchart like structure where each internal node Denotes a test on an attribute.
Türkçe:  
Bir karar ağacı, her bir iç düğümün bir öznitelik üzerinde bir testi ifade ettiği bir akış şeması gibidir.

00:43

Each branch represents an outcome of a test and each leaf or terminal node holds a class label.
Türkçe:  
Her dal bir testin sonucunu temsil eder ve her yaprak veya terminal düğümü bir sınıf etiketi içerir.

00:50

The topmost node in a tree is the root node.
Türkçe:  
Bir ağaçtaki en üstteki düğüm kök düğümüdür.

00:54

In decision analysis a decision tree can be used to visually and explicitly represent decisions and decision-making.
Türkçe: 
Karar analizinde, karar ağaçlarını görsel olarak ve açıkça göstermek için bir karar ağacı kullanılabilir.

01:03

As the name goes it uses a tree like model of decisions.
Türkçe:
Adına benzer şekilde karar ağacı gibi bir ağaç kullanılır. 

01:07

So the advantages of CART, it is simple to understand interpret and visualize.
Türkçe:  
Dolayısıyla, CART'ın avantajları, yorumlama ve görselleştirme işlemlerinin kolay olmasıdır.

01:15

Decision trees implicitly perform variable screening or feature selection.
Türkçe:  
Karar ağaçları genel olarak değişken tarama veya özellik seçimi yapar.

01:19

It can handle both numerical as well as categorical data.
Türkçe:  
Hem sayısal hem de kategorik verilerin üstesinden gelebilir.

01:25

It can also handle multi output problems. Decision trees require relatively little effort from the user for data preparation.
Türkçe:  
Ayrıca çoklu çıkış sorunlarını da çözebilir. Karar ağaçları, veri hazırlığı için kullanıcının nispeten az çabasını gerektirir.

01:34

And Non-linear relationships between parameters do not affect the performance.
Türkçe:  
Parametreler arasındaki doğrusal olmayan ilişkiler performansı etkilemez.

01:39

The disadvantages of CART however, is that decision tree learners can create over complex trees that do not generalize the data well.
Türkçe:  
Bununla birlikte, CART'ın dezavantajları, karar ağacı öğrenenlerin, verileri iyi genelleştirmeyen karmaşık ağaçlar üzerinde oluşturabilmesidir.

01:47

This is also known as overfitting.
Türkçe:  
Bu aynı zamanda ezber olarak da bilinir.

01:51

Decision trees can become unstable because small variations in the data might result in a completely different generator.
Türkçe:  
Karar ağaçları dengesiz olabilir, çünkü verilerdeki küçük farklılıklar tamamen farklı bir dallanmaya neden olabilir.

01:57
 This is called Variance which needs to be lowered by methods of bagging and posting.

Türkçe:  
Buna Varyans adı verilir ve; bazı yöntemlerle azaltılması gerekir.

02:06

Greedy algorithms cannot guarantee to return the globally optimal decision Tree. This can be mitigated by training multiple trees.
Türkçe:  
Açgözlü algoritmalar küresel olarak en uygun Karar Ağacı'nı geri getirmeyi garanti edemez. Bu, birden fazla ağaç eğitimi ile hafifletilebilir.

02:14

Where features and samples are randomly sampled with replacement.
Türkçe:  
Özelliklerin ve numunelerin rastgele değiştirildiği yerde örneklendiği ağaç eğitimleriyle.

02:18

Decision tree learners also create bias trees if some classes dominate. It is therefore recommended to balance dataset.
Türkçe:  
Karar ağacı modelleri bazı sınıfların baskın olması durumunda önyargı ağaçları da oluşturur. Bu nedenle veri setini dengelemek tavsiye edilir.

02:25

Priority fitting what the decision tree. If you look at some applications of the decision tree,
Türkçe:  
Karar ağacı için öncelik ayarlamak lazım. Karar ağacının bazı uygulamalarına bakarsanız,

02:30

We can predict whether a customer will pay his renewal premium was an insurance company.
Türkçe:  
Bir müşterinin yenileme primini ödeyip ödeyemeyeceğini tahmin edebiliriz.

02:35

So you can predict yes if he will or no if he wont. You can need to predict Titanic survival statistics.
Türkçe:  
Yani yenileyecekse "evet", yenilemeyecekse "hayır" olacağını tahmin edebilirsiniz. Titanik hayatta kalma istatistiklerini tahmin etmeniz gerekebilir.

02:42

So if male or female as well as age, what are the chances of survival?
Türkçe: 

Öyleyse hem erkek yaşına, hem de kadın yaşına bakarsak, hayatta kalma şansı nedir?

02:48

Can you determine if a person is male or female based on the height and weight?
Türkçe:  
Bir kişinin boy ve kilosuna göre kadın mı erkek mi olduğunu tespit edebilir misiniz?

02:53

Also, you can use it to determine a price of a home based on how many rooms as well as the floor size.
Türkçe:  
Ayrıca, oda sayısına ve kat büyüklüğüne göre bir evin fiyatını belirlemek için de kullanabilirsiniz.

03:00

A decision tree is drawn upside down while its root at the top.
Türkçe: 
Bir karar ağacı, kökü tepesindeyken baş aşağı çizilir.

03:03

So in image let's look at the primary differences and similarities between classification and regression trees.
Türkçe:
Görüntüde yer alan sınıflandırma ve regresyon ağaçları arasındaki temel farklılıklara ve benzerliklere bakalım. 

03:08

Regression trees are used when the dependent variable is continuous.
Türkçe:  
Regresyon ağaçları, bağımlı değişken sürekli olduğunda kullanılır.

03:14

Classification trees are used when the dependent variable is categorical.
Türkçe:  
Sınıflandırma ağaçları, bağımlı değişken kategorik olduğunda kullanılır.

03:19

In the case of regression Trees the value obtained by terminal nodes in the training Data is the mean or average response of the observation falling in that region.
Türkçe:  
Regresyon Ağaçları durumunda, eğitim verilerinde terminal düğümlerin elde ettiği değer, o bölgeye düşen gözlemin ortası veya ortalama cevabıdır.

03:26

Thus if an unseen data observation falls in that region will make its prediction with a mean value.
Türkçe:  
Böylece, görülmeyen bir veri gözlemi bu bölgeye düşerse, tahminini ortalama bir değerle yapacaktır.

03:32

In case of classification tree the value or class obtained by the terminal node in the training Data is the mode of Observation falling in that region.
Türkçe: 

Sınıflandırma ağacı olması durumunda, eğitim verilerindeki terminal düğümü tarafından elde edilen değer veya sınıf, o bölgeye düşen Gözlem şeklidir.

03:44

Thus if an unseen observation falls in that region will make its prediction with a mode value.
Türkçe:  
Böylece, o bölgede görülmeyen bir gözlem düşerse, tahminini bir mod değeriyle yapacaktır.

03:53

So the splitting process is continued until a user-defined stopping Criteria is reached.
Türkçe:  
Böylelikle, kullanıcı tanımlı bir durdurma kriterine ulaşılana kadar bölme işlemine devam edilir.

03:59

For example, we can tell the algorithm to stop once the number of observations per node becomes less than 50.
Türkçe:  
Örneğin, algoritmaya, düğüm başına gözlem sayısı 50'nin altına düştüğünde durmasını söyleyebiliriz.

04:07

So in both cases, the splitting process results in Fully Grown Trees until the stopping Criteria is reached.
Türkçe:  
Bu nedenle, her iki durumda da, bölme işlemi durma Kriterleri'ne ulaşana kadar Tamamen Büyümüş Ağaçlar ile sonuçlanır.

04:09

But fully grown trees is likely to overfit data leading to poor accuracy on unseen data.
Türkçe:  
Ancak, tamamen büyümüş ağaçların görünmeyen veriler üzerinde düşük doğrulukla sonuçlanan verileri ezberlemesi olasıdır.

04:16

And this brings pruning. Pruning is one of the techniques used to tackle overfitting we'll learn more about it in Future lectures.
Türkçe:  
Ve bu da budama getiriyor. Budama, öğrenmemize yardımcı olacak tekniklerden biridir. Gelecekteki derslerde daha fazla üzerinde duracağız.

04:22

So how can an algorithm be represented as a tree? for this let's consider a basic example,
Türkçe:  
Peki bir algoritma nasıl bir ağaç olarak gösterilebilir? Bunun için temel bir örneği ele alalım,

04:28

That used the titanic data set for predicting whether a passenger that survived or not.
Türkçe:  
Titanic veri setini bir yolcunun hayatta kalıp kalmadığını tahmin etmek için kullanalım.

04:33

This model over here uses three features from the data set: namely; sex, age and number of spouses or children along.
Türkçe: 
Buradaki model bu veri setinden üç özellik kullanır: yani; Cinsiyet, yaş ve yanındaki eş veya çocukların sayısı.

04:40

We can abbreviate this to SIBSP. In this case whether the passenger died or survived is Represented as red and green text respectively.
Türkçe:  
Bunu SIBSP olarak kısaltabiliriz. Bu durumda yolcunun ölmesi veya hayatta kalması, sırasıyla kırmızı ve yeşil metin olarak temsil edilir.

04:47

Although a real data set will have a lot more features and this will just be a branch in a much bigger tree,
Türkçe:  
Her ne kadar gerçek bir veri seti çok daha fazla özelliğe sahip olsa da, bu sadece çok daha büyük bir ağacın dalı olabilir.

04:53

 but you can't ignore the simplicity of the algorithm.
Türkçe:  
ancak algoritmanın basitliğini görmezden gelemezsiniz.

04:59

So what's actually going on in the background?
Türkçe:  
Peki arka planda gerçekte neler oluyor?

05:02

Going a tree involves deciding on which features to choose and what conditions to use for splitting and knowing when to stop.
Türkçe: 
Bir ağaç oluşturma süreci, hangi özellikleri seçeceğinize ve bölmek için hangi koşulları kullanacağınıza karar vermeyi ve ne zaman duracağınızı bilmeyi içerir.

05:10

As a tree generally grows arbitrarily, you need to trim it down for it to look beautiful.
Türkçe:  
Bir ağaç genellikle keyfi olarak büyüdüğünden dolayı, güzel görünmesi için onu kısaltmanız gerekir.

05:15

So let's start with calming techniques used for splitting.
Türkçe:  
Öyleyse bölmek için kullanılan kısaltıcı tekniklerle başlayalım.

05:18

So how does a tree decide to a split? So the decision for making strategic splits heavily affects a tree's accuracy.
Türkçe:  
Peki bir ağaç ayrılmaya nasıl karar verir? Dolayısıyla, stratejik bölünmeler yapma kararı, bir ağacın doğruluğunu büyük ölçüde etkiler.

05:25

The Decision Criteria is different for classification and regression trees.
Türkçe: 
Karar Kriterleri, sınıflandırma ve regresyon ağaçları için farklıdır.

05:31

Decision trees use multiple algorithms.
Türkçe:  
Karar ağaçları birden fazla algoritma kullanır.

05:33

they decide to split a node in two or more sub nodes. The creation of sub nodes increases homogeneity of result in sub nodes.
Türkçe:  
Bir düğümü iki veya daha fazla alt düğüme bölmeye karar verirler. Alt düğümlerin oluşturulması, sonuçların alt düğümlerde homojenliğini arttırır.

05:41

In other words we can group our data in regions based on Data that have similar traits.
Türkçe:  
Başka bir deyişle, verilerimizi benzer özelliklerine göre bölgelerde gruplayabiliriz.

05:47

Decision Tree splits the nodes on all available variables and then selects the split which results in the most homogeneous subnodes.
Türkçe:  
Karar Ağacı, düğümleri mevcut tüm değişkenlere böler ve sonra en homojen alt düğümleri sağlayan bölmeyi seçer.

05:53 

Let's look at an example shown in this lecture.
Türkçe:  
Bu derste gösterilen örneğe bakalım.

05:58

The Algorithm selection is also based on the type of Target variables, so let's look at the four most commonly used algorithms in Decision tree.
Türkçe:  
Algoritma seçimi aynı zamanda Hedef değişkenlerin türüne de dayanmaktadır, bu nedenle Karar ağacında en sık kullanılan dört algoritmaya bakalım.

06:06

One Giri Index,
Türkçe:  
Birincisi Giri Index(Giri Dizini),

06:09

Two Chi-Square, three Information Gain for reduction invariance.
Türkçe:  
İki, Chi-Square(Chi-Kare), Üç, azaltma değişmezliği için Bilgi Kazancı.

06:16

So we will not go into detail on these algorithms as some involves quite a lot of math.
Türkçe:  
Burada bazıları oldukça fazla matematik gerektirdiğinden, bu algoritmaların ayrıntılarına girmeyeceğiz.

06:19

And most of the hard work is done within Scikit-learn libraries.
Türkçe:  
Zor işlerin çoğu Scikit-learn kütüphanelerinde yapılır.

06:24

Let's gain an intuition of our splitting the data would work if we treat, manually.
Türkçe:  
Elimizle yapmaya çalışırsak, verileri bölmemize dair bir sezgiye sahip olabiliriz.

06:30

So via we have arbitrarily.
Türkçe:  
Rastgele verilerimiz var.

06:32

We have x1 and x2 which are our independent variables. if you look at this data,
Türkçe:  
Bağımsız değişkenlerimiz olan x1 ve x2 var. bu verilere bakarsanız,

06:38

We can split it into five regions
Türkçe:  
Onu beş bölgeye ayırabiliriz.

06:41

So we can draw a line here at x1 equals 20
Türkçe:  
Yani burada x1 eşittir 20 olan yere bir çizgi çizebiliriz

06:45

as well as x2 equals 50. and then another one over here at x1 equals 25
Türkçe:  
yanı sıra, x2, 50'ye eşittir çizgisi. Ve sonra burada bir x1 de 25'e eşittir.

06:54

And then a last split over here between by x2 equals 30.
Türkçe: 
Ve sonra x2'nin 30'a eşit olduğu son bölünme de burada.

06:59

So we have regions R1 R2 R3 R4 and R5.
Türkçe: 
Yani R1 R2 R3 R4 ve R5 bölgelerine sahibiz.

07:02

And we do this empirically the elements I mentioned earlier will do this for you
Türkçe:  
Ve bunu deneyerek yapıyoruz, daha önce bahsettiğim unsurlar bunu sizin için yapacak.

07:07

Now, remember you can split it a bit further into more regions.
Türkçe:  
Şimdi, biraz daha fazla bölgeye ayırabileceğinizi unutmayın.

07:13

So say for example We can split R4 over here, and that will result in more sub nodes in our tree. But for now Let's just have 5 regions.
Türkçe: 
Öyleyse, örneğin R4'ü burada bölebiliriz ve bu ağacımızda daha fazla alt düğümle sonuçlanacaktır. Ama şimdilik sadece 5 bölgemiz olsun.

07:18

 So we start off over here at our root node. So it also solves, is X1 less than 20?
Türkçe:
Böylece buradan yani kök düğümümüzden başlıyoruz. Bu kısım şunu çözer, X1 20'den az mı?

07:26

So we go either yes or no.
Türkçe:  
Sonra ya "evet"e ya da "hayır"a gideriz.

07:28

So if yes is x2 less than 50?
Türkçe:  
Eğer cevap evetse, x2 50'den az mıdır, sorusu gelir.

07:31

So if you look at our graph over there and then we separate that into R1. So if yes we have R1,
Türkçe:  
Eğer şuradaki grafiğimize bakarsanız ve sonra bunu R1'e ayırırsak. Eğer "evet" ise R1,

07:37

If No, we have R2.
Türkçe:  
"hayır" ise, R2 olur.

07:39

Then you go to our other branch and we ask is X1 less than 25?
Türkçe:  
Sonra diğer dala gideriz ve soruyoruz, X1, 25'ten az mıdır?

07:44

So we look at x1 less than 25 if yes then it's R3,
Türkçe:  
Evet, eğer ki x1, 25’in altında ise R3.

07:48

If no then we ask ourselves is X2 less than 30?
Türkçe:  
"Hayır" ise kendimize X2'nin 30'dan az olup olmadığını sorarız.

07:53

And If yes we get R5 and if no, we get R4. so as you can see that is really simple.
Türkçe:  
Ve eğer "evet" ise R5 ve "hayır" ise R4 alırız. Gördüğünüz gibi bu gerçekten basit.

07:59

So this is all the basics to get you on near with Decision tree learning.
Türkçe:  
Seni Karar Ağacı Öğrenmesi'ne yaklaştırmak için temel bilgiler bunlar.

08:03

Decision Trees are also very useful when you use it with other advanced machine learning algorithms like random forest
Türkçe:  
Karar Ağaçları, Rastgele Ormanlar gibi diğer gelişmiş makine öğrenme algoritmaları ile birlikte kullandığınızda da çok kullanışlıdır.

08:09

And boosting which we shall cover in Future lectures.
Türkçe:  
Ve dersi kavramak için yapabileceklerimiz var.

08:12

A popular library for implementing the algorithm is Scikit-learn.
Türkçe:  
Algoritmayı uygulamak için popüler bir kütüphane Scikit-learn'dir.

08:15

It is a wonderful api that can get your model up and running in just a few lines of code in Python.
Türkçe:  
Python'da sadece birkaç kod satırı yazıp modelinizi çalıştırabilmeniz için harika bir "api".

08:20

So thank you for watching please don't forget to smash that like button and click the bell icon to become a part of our notification Brigade.
Türkçe:  
Bu nedenle, izlediğiniz için teşekkür ederiz, lütfen bu düğmeye vurmayı unutma ve bildirimin bir parçası olmak için çan simgesini tıklayın.

08:28

And Also support us on Patreon. See you in the next lecture
Türkçe: 
Ayrıca Patreon'da bizi destekleyin. Bir sonraki derste görüşmek üzere