> ML_ALGORITMALAR_v1.0
Algoritma & Yöntem Aileleri
9 disiplinde 100 doğrulanmış algoritma: Klasik Denetimli, Denetimsiz, Zaman Serisi, Anomali, Derin Öğrenme, Öneri Sistemleri, Nedensel Çıkarım, Pekiştirmeli Öğrenme ve Özel Yöntemler.
Sıradan En Küçük Kareler Doğrusal Regresyonu
Doğrudan okunabilir regresyon katsayıları birim değişim başına marjinal etkiyi temsil eder.
Lojistik Regresyon
Üstel katsayılar birim değişken artışı başına Doğruluk Oranlarını (Odds Ratios) yansıtır.
Düzenlileştirilmiş Doğrusal Modeller (Ridge, Lasso, ElasticNet)
Lasso kesin seyreklik uygulayarak bilgi taşımayan değişken katsayılarını tam sıfıra indirir.
CART Karar Ağaçları
İnsan tarafından yürütülebilir EĞER-İSE mantık ağaçları olarak görselleştirilebilir.
Rastgele Ormanlar (Random Forest)
Topluluk tek bir ağaç gibi okunamaz; MDI, MDA ve SHAP değerlerine dayanır.
Aşırı Rastgele Ağaçlar (Extra Trees)
Topluluk özellik önemleri ve TreeSHAP aracılığıyla değerlendirilir.
Gradyan Artırmalı Karar Ağaçları
TreeSHAP matematiksel olarak titiz yerel ve küresel özellik atıfları sağlar.
Modern Histogram ve Simetrik Artırma (XGBoost / LightGBM / CatBoost)
Hızlı TreeSHAP algoritmaları milisaniyeler içinde kesin Shapley değerlerini hesaplar.
Destek Vektör Makineleri (DVM)
Doğrusal olmayan çekirdekler sonsuz boyutlu uzayda çalışır; ağırlıklar doğrudan yorumlanamaz.
k-En Yakın Komşu (k-NN)
Tahminler en yakın geçmiş örnekler doğrudan sunularak açıklanabilir.
Naive Bayes Sınıflandırıcıları
Kelime veya özellik başına log-olabilirlik katkıları doğrudan toplanarak incelenebilir.
Diskriminant Analizi (LDA / QDA)
Doğrusal diskriminant izdüşümleri sınıflar arası net dik ayrım eksenleri sağlar.
K-Ortalamalar ve K-Ortalamalar++ Kümeleme
Ağırlık merkezleri (centroid) her kümedeki tüm üyelerin ortalama özellik vektörünü doğrudan temsil eder.
Temel Bileşenler Analizi (PCA ve TruncatedSVD)
Temel eksenler, yükleri kesin katkıyı gösteren özelliklerin doğrusal kombinasyonlarıdır.
t-Dağıtılmış Stokastik Komşu Gömme (t-SNE)
Kümelerin yüksek kontrastlı 2D/3D görselleştirmesini sağlar, ancak kümeler arası mesafeler kalibre değildir.
Tek Tip Manifold Yaklaşımı ve İzdüşümü (UMAP)
Sıkı yerel kümeleri korurken t-SNE'ye göre belirgin şekilde daha fazla küresel topolojik yapıyı muhafaza eder.
HDBSCAN ve DBSCAN Yoğunluk Tabanlı Kümeleme
Uyumsuz noktaları sahte kümelere zorlamadan açıkça bir aykırı/gürültü sınıfı (-1) üretir.
Hiyerarşik Yığınsal Kümeleme (Ward / Tam Bağlantı)
Dendrogram ağacı görselleştirmesi, veri gruplamalarının tam çok ölçekli hiyerarşisini ortaya koyar.