Daha önce, denetimli ve denetimsiz öğrenme modüllerini kapsayan Makine Öğrenimi’nin (ML) makro düzeylerinden bahsetmiştik. Ayrıca, pazarlamacıların ML için kullandığı en iyi araçlara ve bu araçların en etkili kullanım yollarına da değinmiştik. Bu yazıda, şimdiye kadar bahsettiğimiz her şeyin arkasındaki temel mantığı oluşturan makine öğrenimi modelleri ve algoritmaları inceleyeceğiz.
Bu araçların temelini oluşturan makine öğrenimi modelleri ile ilgili kapsamlı bir bilgiye sahip olmak, bu araçları kullanırken size daha fazla seçenek sunar.
Regresyon Modelleri
Doğrusal Regresyon (Linear Regression)
Makine öğrenimi modelleri arasından ilk bahsedeceğimiz model doğrusal regresyon. Doğrusal ilişki modellerinin temel amacı, iki farklı değişken veya faktör arasındaki ilişkiyi kurmaktır. Tahmin edilmeye çalışılan değişken bağımlı değişkendir; bu değişkenin değerlerini tahmin etmekte kullanılan faktörler ise bağımsız değişkenlerdir.
Bağımlı ve bağımsız değişkenler arasındaki ilişki şu denklemle temsil edilir:
y = a*x + b
Burada:
- y: Bağımlı değişken
- a: Eğimi ifade eder
- x: Bağımsız değişken
- b: Y eksenini kestiği nokta (intercept)
Eğim ve kesişim noktası, regresyon doğrusu ile veri noktaları arasındaki kare farkların toplamı en aza indirilecek şekilde belirlenir.
Kısaca şöyle diyebiliriz: Doğrusal regresyon, mevcut değişkenler ve aralarındaki ilişkiler üzerinden tahmin yapar.
Pazarlama Örneği
Bu model, örneğin yeni bir ürün lansmanı öncesinde hedeflenen müşteri profillerinin tahmini değeri hesaplamak için kullanılabilir. Müşteri profillerinizi ve satın alma alışkanlıklarını analiz ettikten sonra, bu profilleri regresyon denklemine entegre edebilir ve belirli bir profilin ne kadar harcama yapabileceğini tahmin edebilirsiniz.
Lojistik Regresyon (Logistic Regression)
Gerçek regresyondan farklı olarak, lojistik regresyon sayısal bir değer tahmin etmek yerine, verilen bir girdinin belirli bir sınıfa ait olma olasılığını hesaplar. Temel olarak, bir olayın gerçekleşme olasılığını belirlemeye çalışır. Farklılık sunan bu model makine öğrenimi modelleri arasından gerçekleşme olasılığını belirlemek için kullanılabilir.
Bu regresyon türü, girdileri iki farklı bölgeye ayırabilecek doğrusal bir sınır varsayar. Bu iki bölge genellikle şu şekilde yorumlanır:
- Doğru/Yanlış
- Evet/Hayır
Google’ın Tahmin API’si ve Amazon’un bazı ML uygulamaları lojistik regresyonu temel alır.
Pazarlama Örneği
Bir satışın kapanma olasılığını belirlemek için lojistik regresyon kullanılabilirken, harcama miktarını belirlemek için doğrusal regresyon kullanılabilir. Bu iki bilgi birleştirilerek her bir müşteri adayı için harcama miktarı ve bu harcamanın gerçekleşme olasılığı hesaplanabilir. Böylece daha doğru bir satış tahmini yapılabilir.
Kümeleme Modelleri
K-Ortalamalar Kümeleme Algoritması (K-Means Clustering)
K-means, gözetimsiz öğrenme algoritmaları arasında popüler olan, kümeleme analizine yönelik bir yöntemdir. Belirli bir veri kümesi üzerinde, önceden belirlenmiş k sayıda küme ile çalışır. Sonuç olarak veri kümesi, benzer özelliklere sahip k kümeye ayrılır.
Örneğin, Wikipedia’da “Lincoln” kelimesi arandığında; bu kelime ABD başkanını, bir şehri ya da bir otomobil markasını ifade edebilir. K-means algoritması, bu sonuçları benzer içeriklere göre gruplar.
Pazarlama Örneği
Yeni bir ürün lansmanında hedeflenen müşteri profillerini daha iyi anlamak ve gruplamak için K-means kullanılabilir. Bu da kampanyanın daha isabetli bir şekilde yapılandırılmasını sağlar.
Sınıflandırma Modelleri
Karar Ağaçları (Decision Trees)
Karar ağaçları, belirli koşullara göre alınabilecek tüm kararları dallanarak gösteren grafiksel yapılardır. Her iç düğüm bir özelliğe ait testi, her dal testin olası sonuçlarını ve her yaprak düğüm ise nihai kararı temsil eder.
Karar ağacı türleri:
- Sınıflandırma Ağaçları: Verileri iki veya daha fazla kategoriye ayırmak için kullanılır.
- Regresyon Ağaçları: Sonucun sayısal olduğu durumlarda kullanılır.
Pazarlama Örneği
Geçmiş müşteri davranışlarına dayalı olarak potansiyel müşterileri sınıflandırmak ve bu sınıflara göre hedefleme yapmak mümkündür.
Naive Bayes Sınıflandırıcı Algoritması
Uzun metinleri manuel olarak sınıflandırmak zordur. Bu noktada Naive Bayes algoritması devreye girer. E-postaların spam olup olmadığını belirleyen filtreler bu algoritmayı kullanır. Bayes olasılık teoremi temel alınarak çalışır.
Pazarlama Örneği
- Facebook, kullanıcı güncellemelerinde pozitif/negatif duygu analizi yapar.
- Google, belgeleri kategorilere ayırır ve PageRank hesaplamalarında kullanır.
- E-posta spam filtrelemesi yine Naive Bayes ile yapılır.
Destek Vektör Makine Algoritması(SVM)
SVM, sınıflandırma ve regresyon problemleri için kullanılan bir gözetimli öğrenme algoritmasıdır. Sınıfları ayıran en uygun doğrusal sınırı (hiper düzlemi) bulmaya çalışır. Sınıflar arası mesafeyi (marjin) maksimize etmeye çalışır.
SVM Türleri:
Doğrusal SVM: Sınıflar arasındaki en uygun çizgiyi bulur.
Doğrusal Olmayan SVM: Sınıflar çizgiyle ayrılamıyorsa devreye girer. Örneğin yüz tanıma.
Pazarlama Örneği
- Sosyal medya paylaşımlarında marka adı geçen içerikler sınıflandırılabilir.
- E-posta yönlendirmelerinde müşteri şikayetleri ilgili departmana gönderilir.
- Görüş madenciliğinde metinler pozitif, negatif ya da nötr olarak sınıflandırılır.
Yapay Sinir Ağları (ANN)
ANN, biyolojik sinir ağlarının yapısını taklit eden hesaplamalı bir modeldir. Girdilere göre kendini yeniden yapılandırabilir. Veri akışı, katmanlar aracılığıyla gerçekleşir:
- Girdi katmanı
- Gizli katman(lar)
- Çıktı katmanı
ANN, öğrenme sürecinde yalnızca gözleme dayalı olarak gelişebilir. Karmaşık ilişkiler ve kalıplar bu yapılar sayesinde modellenebilir.
Pazarlama Örneği
Baidu, reklam hedeflemelerinde yapay sinir ağları kullanmaktadır. Reklamların hangi kanalda gösterileceğini bu yapı belirler.
Kullanacağınız model, sahip olduğunuz veriye, kullandığınız araçlara ve yanıtlamak istediğiniz sorulara göre değişecektir. Tek bir model her soruna çözüm sunmaz. Ancak pazarlamacılar için sevindirici olan, artık ML ve AI araçlarının karmaşıklığını soyutlayan çözümler sayesinde veri bilimiyle sonuç üretmenin çok daha erişilebilir hale gelmiş olmasıdır.
