Karar Ağacı Sınıflandırması
Veri setinizdeki kategorik hedef değişkeni sınıflandırın. Özellik önemi, confusion matrix ve ağaç yapısı görselleştirmesiyle tam ML raporu.
Ağaç Modeli
Gini veya Entropy kriteri ile karar ağacı eğitilir. Maksimum derinliği kendiniz belirleyebilirsiniz.
Özellik Önemi
Hangi değişkenin sınıflandırmaya en çok katkı yaptığı sıralı tablo ile gösterilir.
Confusion Matrix
Test seti üzerindeki doğruluk, kesinlik, duyarlılık ve F1 skoru raporlanır.
PDF Rapor
Ağaç yapısı, metrikler ve APA formatında raporlama cümlesi PDF olarak indirilir.
Nasıl Çalışır?
CSV veya Excel dosyanızı yükleyin.
Analiz otomatik olarak saniyeler içinde tamamlanır.
Sonuçları ekranda görün ve PDF olarak indirin.
Ücretsiz hesap açın, hemen kullanmaya başlayın.
Başla — ÜcretsizKarar ağacı, verileri hiyerarşik dal yapısı biçiminde bölerek sınıflandırma veya regresyon gerçekleştiren bir makine öğrenmesi yöntemidir. CART algoritmasına dayanan bu model, yorumlanabilirliği ve görsel sunumuyla öne çıkar. Gini safsızlığını minimize ederek en iyi bölme noktalarını belirler; sonuçlar kolayca görselleştirilebilir ve raporlanabilir.
Ne Zaman Kullanılır?
Kategorik bir sonuç değişkenini birden fazla özellik (feature) ile tahmin etmek ve modeli görsel olarak açıklamak istediğinizde kullanın. Doğrusal olmayan ilişkileri yakalamakta başarılıdır. Normallik varsayımı gerektirmez ve karma ölçek (sürekli + kategorik) değişkenleri işleyebilir.
Varsayımlar ve Sınırlılıklar
Bağımlı değişken: Kategorik (sınıflandırma) veya sürekli (regresyon). Örneklem boyutu: Ağaç derinliği arttıkça daha fazla veriye ihtiyaç duyulur; çok küçük örneklemlerde aşırı uyum (overfitting) riski yüksektir. Derinlik kontrolü: max_depth parametresi ile aşırı büyüme önlenir.
Sonuçlar Nasıl Yorumlanır?
Doğruluk (Accuracy): Doğru sınıflandırılan örneklerin oranı. Karmaşıklık matrisi: Her sınıf için gerçek/yanlış pozitif ve negatifleri gösterir. Özellik önemi (Feature Importance): Hangi değişkenlerin bölme kararlarına daha fazla katkı sağladığını gösterir. Ağaç derinliği: Derin ağaçlar eğitim verisini ezberler; test doğruluğunu kontrol edin.
APA Formatı Örneği
Karar ağacı modeli (max_depth = 4) test setinde %82 doğruluk, AUC = .88 elde etmiştir. En önemli yordayıcı değişken X1 olarak belirlenmiştir (önem = .41).
Sık Sorulan Sorular
Karar ağacı mı, lojistik regresyon mu seçmeliyim?
Yorumlanabilirlik ve doğrusal olmayan ilişkiler önemliyse karar ağacı; istatistiksel katsayı ve olasılık yorumlaması gerekiyorsa lojistik regresyon tercih edin.
Aşırı uyumu (overfitting) nasıl önlerim?
max_depth, min_samples_leaf ve min_samples_split parametrelerini sınırlayın. Çapraz doğrulama (cross-validation) ile model performansını test edin.
Bu analizi kendiniz yapmak yerine uzmanına bırakmak ister misiniz?
Verilerinizi gönderin, uzman analistlerimiz Karar Ağacı Sınıflandırması analizini sizin adınıza gerçekleştirip raporlasın. Ücretsiz ön değerlendirme ile başlayın.
Ücretsiz Proje Talebi Gönder