"kümeleme analizi nedir" sorusunun kısa cevabı, verilerde birbirine benzeyen örnekleri gruplar halinde bulmaktır. Her örneğin yanına önceden doğru grup adı yazılmaz. Hangi özelliklerin karşılaştırıldığı ve benzerliğin nasıl ölçüldüğü, çıkan grupları etkiler.
Makine öğrenmesinde bu yaklaşım denetimsiz öğrenme içinde yer alır. Google'ın Türkçe kümeleme dersinde de etiketsiz örneklerin tanımlanan benzerlik ölçüsüne göre bir araya getirilmesi anlatılır. Bir gruba numara vermek, o grubun ne anlama geldiğini kendiliğinden açıklamaz.
Şemsiye tezgâhında neyi grupluyoruz?
Hayalî bir şemsiye tamir tezgâhı düşünün. Gelen şemsiyelerin kapalı uzunluğunu santimetreyle, ağırlığını gramla kaydedelim. Amaç, tezgâhtaki eşyaların ölçülerinde hangi benzerliklerin bulunduğunu görmek olsun. Bu, kavramı anlatmak için kurulmuş bir örnek; gerçek bir eğitim veya uygulama denemesi yapmıyoruz.
Örnek kayıtlarımız şöyle olabilir:
- A şemsiyesi kapalıyken 25 santimetre, ağırlığı 240 gram.
- B şemsiyesi kapalıyken 27 santimetre, ağırlığı 250 gram.
- C şemsiyesi kapalıyken 85 santimetre, ağırlığı 480 gram.
- D şemsiyesi kapalıyken 87 santimetre, ağırlığı 490 gram.
Bu küçük listede A ile B, C ile D birbirine yakın görünüyor. Fakat bunlara eğitimden önce "katlanır" veya "baston" diye doğru hedefler vermedik. Elimizde boy ve ağırlık var. Mekanizma türünü öğrenmek istiyorsak ayrıca bakmamız gerekir.
Şemsiyelere A, B gibi kimlikler vermek de onları etiketli eğitim örneği yapmaz. Kimlik, hangi kaydı konuştuğumuzu belirtir. Denetimli öğrenmede ise girdinin yanında öğrenilmesi istenen bilinen hedef bulunur. Kümeleme örneğimizde böyle bir hedef sütunu yok.
Benzerlik hangi bilgiye göre değişir?
İki şemsiyenin yalnızca rengini karşılaştırırsanız kırmızı olanlar yan yana gelebilir. Boy ve ağırlığı karşılaştırınca farklı renklerdeki iki şemsiye yakın çıkabilir. İki sonuç farklı sorulara cevap verir. Tamir tezgâhının amacına hangi bilginin hizmet ettiğini baştan belirlemek gerekir.
Ölçü birimi de hesaba girer. Aynı ağırlığı 240 gram veya 0,24 kilogram diye yazabilirsiniz. Şemsiyenin kendisi değişmez; sayının büyüklüğü değişir. Boyla ağırlık arasındaki sayısal uzaklıkları doğrudan birleştiren bir hesap, bu seçime duyarlı olabilir.
Google'ın veri hazırlama bölümünde, farklı özellikleri karşılaştırılabilir ölçeğe getirme anlatılıyor. Burada yalnızca bütün uzunlukları santimetreye çevirmek yetmez. Uzunlukla ağırlığın hesapta ne kadar etkili olacağını da ele almak gerekir. Uygun dönüşüm, veriye ve kullanılan yönteme bağlıdır.
Bu yüzden bir sonuç okurken "Hangi alanları kullandınız, birimleri nasıl hazırladınız?" diye sorun. Sadece renk girilmiş bir çalışmadan ağır şemsiyelerin nerede toplandığını çıkaramayız. Veride bulunmayan özellik, kümenin adından geri gelmez.
Küme sayısı ve küme adı ne söyler?
Kümeleme için farklı algoritmalar vardır. K-ortalama gibi bazı yöntemlerde istenen küme sayısı baştan seçilir. Başka yöntemler farklı kurallarla gruplar bulur. Dolayısıyla bütün kümelemelerin aynı nesneleri aynı sayıda gruba ayırmasını beklemeyiz.
Tezgâhtaki birkaç kaydı iki gruba ayırmak anlaşılır görünebilir. Yine de gerçek, daha kalabalık bir listede arada kalan çok sayıda şemsiye bulunabilir. İki veya daha fazla grup seçmenin işe yarayıp yaramadığına, verileri ve kullanım amacını inceleyerek karar verilir.
Karşılaştırmayı sonra yeniden yapacaksanız kullanılan alanları ve ayarları sonuçla birlikte saklayın. A kaydının grup numarası değiştiğinde yalnızca numaraya bakmayın; aynı gruba gelen diğer şemsiyelerin de değişip değişmediğini kontrol edin.
"Küme 1" adı bir başarı sırası değildir. O gruba "sağlam şemsiyeler" demek için kumaşı ve telleri kontrol etmiş olmamız gerekir. Boy ve ağırlık, sağlamlık hükmü vermez. Aynı biçimde diğerlerinden uzak kalan bir şemsiyenin ölçüsünü yeniden kontrol edebiliriz; sırf ayrı duruyor diye kusurlu sayamayız.
Çıkan sonucu nasıl kontrol ederiz?
Önce asıl kayıtları açın. Aynı birim kullanılmış mı, bir şemsiyenin ağırlığı yanlış satıra mı yazılmış? Sonra aynı kümedeki örneklerden birkaçını, farklı kümelerden seçtiklerinizle karşılaştırın. Aralarındaki yakınlık, seçtiğiniz özelliklerle açıklanabiliyor mu?
Google'ın sonuç değerlendirme rehberi, benzerlik ölçüsünü örnek çiftleriyle gözden geçirmeyi önerir. Beklenmedik ayrımlar gördüğünüzde veri hazırlığını ve benzerlik tanımını inceleyin. Şık görünen bir gruplama, tek başına işinize uygun olduğunu kanıtlamaz.
Kavramı çalışırken Yapay Zeka'ya şemsiye kayıtlarını verip "Yalnızca boy ve ağırlıkla kurulan kümelerden hangi sonuçları çıkaramayız?" diye sorabilirsiniz. Yanıtın altındaki kaynakları açın. Cevapta sağlamlık gibi ölçülmemiş bir özellik belirirse, hangi kayda dayandığını sorun. Uygulamaya bu örneği açıklatmak, onun kendi içinde hangi öğrenme yöntemini kullandığını göstermez.
