Update: model-building
Open markdown file
Update
Edit Content
## Input Encoding Eğer sıralı veriyse yani üstünlük belirtiyorsa (ilkokul,üniversite : 0,1) gibi bu veri sıralı (ordinal) veridir. <b>Label encoding</b> + 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] |
Save
Remove: model-building
Delete Note