Input Encoding
Eğer sıralı veriyse yani üstünlük belirtiyorsa (ilkokul,üniversite : 0,1) gibi bu veri sıralı (ordinal) veridir. Label encoding + scaling yapılır. Yani mesela;
ilkokul, ortaokul, üniversite, yüksel lisans -> 0,1,2,3 -> 0,0.3,0.6,1 olarak encode edilir
Eğer sırasız veriyse yani üstünlük belirtmiyorsa (teknoloji, finans) gibi bu veri sirasız (nominal) veridir. Onehot encoding yapılır. Yani mesela;
teknoloji : [0,1], finans [1,0] olarak kodlanır.
Output Encoding
Input encoding'teki gibi sıralı veya sırasız olma durumuna göre eğitim hedef verileri encode edilir (one-hot veya label encode ile).
Son Nöron Aktivasyonu
Softmax; Bir girdinin hangi sınıfa daha yakın olduğunu bulmaya yarar yani girdiler bağımlıdır, sonucu da olasıkların toplamı 1 olacak şekilde verir örn; [0.6,0.2,0.2] gibi.
Sigmoid; Bir girdininin hangi sınıflardan olabileceğini bulmaya yarar. Girdiler bağımsızdır. Örn; [0,5,0.8,0.2] gibi.
Tablo halinde kullanılması gereken tipler
| Hedef tipi |
Output layer |
Aktivasyon |
Loss |
Örnek |
| Binary (0/1) |
1 |
sigmoid |
binary_crossentropy |
0 veya 1 |
| Continuous (regression) |
1 |
linear / sigmoid |
MSE / MAE |
0.4, 0.87 |
| Multi-class (tek etiket) |
n |
softmax |
categorical / sparse_categorical |
[0.1,0.2,0.7] |
| Multi-label (birden fazla etiket) |
n |
sigmoid |
binary_crossentropy |
[1,0,1] |
