Denetimsiz öğrenme

Açılış

Şubatın ilk haftası Onur, belediyenin eski başvuru arşivini dizüstü bilgisayarına aldı. Kodlama sorunu aralıkta çözülmüştü; artık her başvuru okunabilir bir metindi. Ama hiçbirinin yanında konusu yazmıyordu. Memurlar başvuruyu ilgili müdürlüğe havale etmiş, havalenin kaydı ise ayrı bir sistemde kalmış, aktarılmamıştı. Elinde binlerce metin vardı ve hangisinin su arızası, hangisinin çöp şikâyeti olduğunu söyleyen tek bir sütun yoktu.

Onur her başvuruyu sayılara çevirdi ve bir gruplama aracından metinleri birbirine benzerliklerine göre sekiz gruba ayırmasını istedi. Sonuç ertesi sabah hazırdı. Bir grupta su borusu, vana, sayaç kelimeleri yoğundu. Bir başkasında çöp konteyneri ve toplama saatleri. Bir üçüncüsünde park, bank, ağaç budaması.

Beşinci grubu açınca durdu. Konuları birbirine hiç benzemiyordu: bir su arızası, bir gürültü şikâyeti, bir kaldırım çökmesi. Ortak noktaları içerik değildi. Hepsi "Vatandaş aradı, … bildirdi, gereğinin yapılması rica olunur" kalıbıyla başlıyordu. Bunlar çağrı hattı memurlarının telefonda dinleyip elle yazdığı başvurulardı. Yedinci grup ise tümüyle büyük harfle yazılmış, uzun, "Sayın Başkanlığa" diye açılan dilekçelerdi; masadan elden verilmiş olanlar.

Onur sekiz grubu bir sayfaya döküp Hakan Bey'e götürdü. Hakan Bey sayfayı yukarıdan aşağı okudu, beşinci satırda kalemini bıraktı.

"Program bunlara numara vermiş," dedi. "Ad koyacak olan kim?"

Tek fikir

Etiket yokken bir sistem veride benzerlikleri ve az sayıda yönü bulabilir; ama bulduğu grubun ne anlama geldiğini söyleyemez. O anlamı, grubu okuyan bir insan verir ve bazen grup konuyu değil, verinin nasıl yazıldığını yansıtır.

Nasıl çalışır

3.1'de etiketi bir örneğin yanına yazılmış doğru cevap olarak tanımladık. Etiketli örneklerle öğrenen bir sistem, tahminini bu cevapla karşılaştırıp ne kadar yanıldığını ölçebilir. Onur'un arşivinde böyle bir cevap yok. Yine de veride bir düzen var: su arızaları birbirine, çöp şikâyetleri birbirine benziyor.

Adındaki "denetimsiz" bir eksikliği anlatır. Sistemin işini kontrol edecek bir cevap anahtarı yoktur.

Gruplamanın ne yaptığını görmek için küçük bir örnek yeter. Onur'un arşivinden sekiz başvuru alalım ve her birini yalnız iki sayıyla anlatalım: metnin kaç kelime olduğu ve içinde su, boru ya da vana kelimelerinin kaç kez geçtiği.

Bu sekiz satırı bir kâğıda nokta olarak koyarsak, kelime sayısı yatay eksende, su kelimesi dikey eksende, noktalar iki öbek halinde durur. A ile D arasındaki dört başvurunun kelime sayısı on ile on beş arasında; ortalamaları on iki virgül yetmiş beş kelime ve üç su kelimesi. E ile H arasındaki dördü elli beş ile yetmiş kelime arasında; ortalamaları altmış iki virgül beş kelime ve sıfır virgül yetmiş beş su kelimesi. Bir öbeğin en yakın noktası ötekinin en yakın noktasından kırk kelimeden fazla uzakta; öbeklerin içinde ise en uzak iki nokta arasındaki fark on beş kelimeyi geçmiyor. Bir gruplama aracı bu tabloya bakıp iki grup çıkarır ve haklıdır: veri gerçekten iki öbek halindedir.

Ama H'ye bakalım. H bir su arızasıdır; içinde iki kez su kelimesi geçer. Yine de A ile D'nin yanına değil, uzun dilekçelerin yanına düşmüştür, çünkü elden verilmiş bir dilekçedir ve altmış beş kelimedir. İki sütundan birinin değerleri onlarca kelime oynuyor, ötekininki en çok dört. Mesafeyi uzunluk belirliyor. Araç "konu" diye bir şey aramadı; bulduğu iki öbek "kısa form" ile "uzun dilekçe"dir. Onur'un beşinci ve yedinci grubu da aynı yoldan doğmuştu.

Gruplamanın ayrıntılı yöntemleri Modül 5'te kendi dersinde işlenecek. Burada tutulacak olan şu: araç, verdiğimiz sütunlarda birbirine yakın duran satırları bulur. Neye yakın olduklarını o sütunlar belirler, grubun adını ise okuyan koyar.

Denetimsiz öğrenmenin ikinci işi gruplamadan farklıdır. 3.7'de süsen tablosunu tanırken dört sayısal sütunla çalıştık. Dört sütun, her çiçeği dört boyutlu bir uzayda bir nokta yapar ve dört boyutlu bir çizim kâğıda sığmaz. İki sütunu seçip çizmek mümkündür ama o zaman öteki ikisi görünmez.

Bunun en bilinen yolu temel bileşenler analizidir. Fikri formülsüz söylenebilir: veriyi bir bulut gibi düşünün ve bulutun en uzun olduğu yönü bulun. Çiçekler en çok o yön boyunca birbirinden ayrılır; o yön birinci eksendir. Sonra ona dik olan yönler arasında bulutun en uzun olduğunu arayın; o ikinci eksendir. Her eksen dört eski sütunun belli oranlarda karışımıdır ve bu oranlar ekseni okumanın anahtarıdır.

Kartın söylediği iki şey birlikte önemlidir. Dört sütun neredeyse hiç bilgi kaybetmeden tek sayıya sığdı ve o tek sayı, kimse "tür" demeden, bir türü ötekilerden ayırdı. Ama ayırmanın adı yine de tür değildir. Eksen yalnız "bu çiçekler taç yaprağı uzun ve geniş olanlar" der; onlara virginica diyen, 3.3'te gördüğümüz gibi çiçekleri toplayıp tanıyan biridir.

Sahada

Nerede yanılır

Gruplama aracı her zaman grup bulur. Sekiz grup istenirse sekiz grup verir; veride hiçbir gerçek ayrım olmasa da noktaları bir biçimde bölüştürür. Bulunan grubun sayısı, istenen grubun sayısıdır; verinin içinde o kadar doğal öbek olduğunu kanıtlamaz.

Daha sinsi olan, grubun gerçek ama istenmeyen bir farkı yakalamasıdır. Onur'un beşinci grubu gerçekten birbirine benzeyen metinlerdi; benzerlik yalnız konuda değil kanaldaydı. Murat Bey'in en kalabalık grubu gerçekten aynı ışıkta çekilmişti. Sistem verideki en büyük farkı bulur. En büyük fark çoğu zaman kaydın nasıl tutulduğu, hangi cihazla çekildiği, kimin yazdığıdır; aradığımız konu ise daha küçük bir farktır ve o gürültünün altında kalır.

Ölçek de sonucu sessizce değiştirir. Süsen örneğinde birinci eksenin yüzde doksan iki virgül beşi taşıması kısmen taç yaprak boyunun en geniş aralıkta oynamasından gelir.

Bu yanılmayı yakalamak için bulunan her gruptan birkaç örnek açılıp okunur ve gruba önce "ne ortak?" sorusu sorulur. Cevap konu değil de biçim, kanal, cihaz ya da vardiyaysa, o sütun ya ayıklanır ya da grup ayrı bir adla işaretlenir. Aynı hesap ölçekli ve ölçeksiz yapılır; iki sonuç çok farklıysa raporda ikisi de görünür.

Uygulama

Bu çalışmada süsen tablosunun tür sütununu saklayacak, grupları yalnız ölçülerden bulmaya çalışacak, sonra saklı sütunu açıp ne bulduğunu kontrol edeceksin. Tablo 3.7'de indirdiğin iris.data dosyası; içinde yalnız çiçek ölçüleri var.

1. Hesap tablosunda tür sütununu gizle ya da başka bir sayfaya taşı. Önünde yalnız dört ölçü kalsın.
2. Taç yaprak boyunu yatay, taç yaprak enini dikey eksene koyan bir saçılım grafiği çiz. Kaç öbek gördüğünü ve öbeklerin nerede ayrıldığını yaz.
3. Tabloyu yalnız taç yaprak boyuna göre küçükten büyüğe sırala. Ardışık iki değer arasındaki en büyük boşluğu bul ve oradan bir çizgi çek. Çizginin iki yanında kaç çiçek kaldığını say.
4. Boşluğun olmadığı yerde, büyük grubun içinde ikinci bir çizgi çekmeyi dene. Çizgiyi nereye koyduğunu ve neden oraya koyduğunu bir cümleyle yaz.
5. Bulduğun her gruba, tür adını bilmeden bir ad ver: yalnız ölçülerden söylenebilecek bir ad, "küçük taç yapraklılar" gibi.
6. Tür sütununu geri aç. Her grubunda her türden kaç çiçek olduğunu say.
7. Senin adın ile türün adı arasındaki farkı yaz: senin adın neyi söylüyor, tür adı neyi söylüyor, tür adını kim, neye bakarak koydu?

Kendi sonucunu şununla karşılaştırabilirsin. Taç yaprak boyunda bir virgül dokuz ile üç arasında hiç çiçek yoktur; boşluktan çekilen çizgi elli setosayı yüz çiçekten eksiksiz ayırır. İkinci çizgi zordur: versicolorun taç yaprak boyu üç ile beş virgül bir, virginicanınki dört virgül beş ile altı virgül dokuz arasındadır ve dört virgül beş ile beş virgül bir arasındaki otuz yedi çiçeğin yirmi biri versicolor, on altısı virginicadır. Çizgiyi nereye koyarsan koy, iki yanına da öteki türden çiçek düşer.

Aynı alıştırmayı evdeki bir listeyle de deneyebilirsin: bir dolabın içindekileri ya da bir haftanın alışveriş fişlerindeki ürünleri adlarına bakmadan iki üç ölçüyle grupla ve grupların neye göre ayrıldığına bak.

Defter: "Adsız gruplar" diye bir sayfa aç; yedi adımın cevaplarını yaz ve en alta, kendi alanında etiketi olmayan bir yığının adını an ve onu gruplasan grupların adını kimin koyması gerektiğini tek cümleyle ekle.

Hata köşesi

Sorumluluk

Bir gruba ad koymak bir karardır. Onur'un arşivinde "su arızası" adı konan grup sonradan Su ve Kanalizasyon'a havale edilecek başvuruların örneği olacaktır; yanlış adlandırılmış bir grup, yüzlerce başvuruyu yanlış masaya gönderecek bir kuralın temeli olur. Bu yüzden adı, o işi bilen kişi koyar ve her ad, hangi örnekler okunarak verildiğiyle birlikte yazılır. Hakan Bey ile Onur her gruptan yirmi başvuruyu birlikte okudu; Burcu kayıtlarını tuttu. Kanal ya da biçim gruplayan sonuçların sorumluluğu, onları raporda "konu" diye sunmamaktır: çağrı hattından gelenler bir konu değildir ve onları bir konu sayan bir analiz, telefonla başvuran yaşlıları yine görünmez kılar. Sonucu doğrulamanın bir cevap anahtarı yoktur; doğrulama, grupları okuyan insanların yazılı gerekçesidir.

Kapanış

1. Denetimsiz öğrenme etiketi olmayan veride yapı arar: benzer satırları bir araya toplar ya da çok sütunu verinin en çok değiştiği birkaç yönle özetler.
2. Bulunan grubun ya da eksenin anlamını veri söylemez; onu okuyan insan koyar ve grup bazen konuyu değil kanalı, cihazı, ışığı ya da yazım biçimini yansıtır.
3. Kullanılan sütunlar, ölçekleme ve istenen grup sayısı sonucu değiştirir; her gruptan örnekler okunur ve verilen ad gerekçesiyle yazılır.

Üç soru

1. Onur'un oyuncak örneğinde H başvurusu bir su arızası olduğu halde neden uzun dilekçelerle aynı gruba düştü, ve sonucu konuya göre gruplamak için ne değiştirilebilir?
2. Süsen verisinde birinci eksen tür sütunu kullanılmadan setosayı ayırdı. Bu, sistemin türü öğrendiği anlamına gelir mi?
3. Zeynep Hanım'ın sınıfında aynı ıhlamurdan gelen yapraklar iki öbeğe ayrıldı. Bu durum bir gruplama aracının çıktısını okurken neyi hatırlatır?

Yanıtlar

1. Kelime sayısı onlarca kelime oynarken su kelimesi sayısı en çok dört oynuyordu; mesafeyi uzunluk belirledi ve H altmış beş kelimelik bir dilekçeydi. Uzunluk sütunu çıkarılabilir, iki sütun kendi yayılımına göre ölçeklenebilir ya da konuyu taşıyan başka kelime sayıları eklenebilir; her durumda gruplar yeniden okunur.
2. Gelmez. Eksen, taç yaprağı uzun ve geniş çiçeklerle kısa ve dar çiçekleri birbirinden ayıran bir yöndür. Setosanın bu yönde ayrı durması ölçülerin bir özelliğidir; ona "setosa" adını veren, çiçekleri toplayıp tanıyan insandır. Versicolor ile virginicanın aynı eksende iç içe geçmesi, ölçülerin her türü ayırmaya yetmediğini de gösterir.
3. Öbeğin gerçek bir farkı gösterdiğini ama farkın kaynağını söylemediğini. Gölge ve güneş yaprağın biçimini değiştirmişti; öbekler tür değil ışık farkıydı. Bir öbeğe ad koymadan önce örneklerin nereden, hangi koşulda geldiği sorulur.

Sonraki derse köprü

Bu derste etiket yoktu ama veri vardı: sistem önündeki tabloyu karıştırıp içindeki düzeni aradı. Öğrenmenin başka bir biçiminde ne hazır bir tablo ne de her satırın yanında bir doğru cevap bulunur; sistem bir eylem seçer, dünyadan bir karşılık alır ve hangi eylemin işe yaradığını deneme yanılmayla bulur. Ders 4.4, Pekiştirmeli öğrenme, bu karşılığa ödül adını veren öğrenmeyi ele alıyor.