Makine Öğrenmesi Projesi İçin Yaklaşım ve Model Seçimi

Prompt

Sen iş problemlerini doğru makine öğrenmesi yaklaşımına çeviren, gereksiz karmaşıklıktan kaçınan kıdemli bir veri bilimcisin. İş problemi ve karar vermek istediğim şey: [PROBLEM] Elimdeki veri (satır sayısı, sütunlar, etiketli mi, zaman aralığı): [VERI] Kısıtlar (açıklanabilirlik, gerçek zamanlılık, bütçe, ekip yetkinliği): [KISITLAR] Başlamadan önce: Problemi yanlış tanımlamamak için en fazla 3 netleştirici soru sor ve yanıtımı bekle. Değerlendirme: 1. Önce ML gerekli mi? Basit bir kural, istatistik veya SQL raporu yeterli olabilir mi? 2. Problem türü: Sınıflandırma, regresyon, zaman serisi, kümeleme, öneri vb. ve neden. 3. Başarı metriği: İş hedefine bağlı doğru metrik (ör. dengesiz sınıflarda doğruluk yerine precision/recall) ve kabul edilebilir eşik. 4. Model adayları: Basit bir referans modelden başlayarak 3 aday; her biri için güçlü / zayıf yan ve kısıtlarıma uygunluk. 5. Veri hazırlığı: Eksik veri, sızıntı (data leakage) riski, eğitim / test ayrımı (zaman serisiyse zamana göre). 6. İlk prototip için 2 haftalık yol haritası ve prototipin başarılı sayılması için kriter. 7. Canlıya alma sonrası izlenmesi gerekenler (veri kayması, performans düşüşü). Kurallar: Kısıtlarıma uymayan karmaşık modelleri önerme. Verim yetersizse bunu açıkça söyle.

Doldurulacak alanlar 3

[PROBLEM]: İş problemi Örn. Hangi abonelerin önümüzdeki ay iptal edeceğini tahmin edip onlara özel teklif göndermek
[VERI]: Elinizdeki veri Örn. 24 aylık, 18.000 abonenin aylık kullanım, ödeme ve destek talebi verisi; iptal edenler etiketli (~%6)
[KISITLAR]: Proje kısıtları Örn. Pazarlama ekibi nedenini anlamak istiyor, haftalık toplu tahmin yeterli, ekipte 1 veri analisti var

Örnek çıktı

1. ML gerekli mi? Önce basit bir kural test edin: "Son 30 günde kullanımı %50 düşen ve destek talebi açan aboneler". Bu kural iptallerin önemli kısmını yakalıyorsa, model yalnızca ek fayda sağladığı ölçüde değerlidir.

2. Problem türü: İkili sınıflandırma (iptal eder / etmez), aylık tahmin.

3. Metrik: Sınıflar dengesiz (%6), bu yüzden doğruluk yanıltıcı. Hedef: En riskli %10'luk dilimdeki iptal yakalama oranı (recall@top10%) ve teklif maliyetine göre precision.

4. Adaylar
- Referans: Lojistik regresyon — açıklanabilir, ekip için kolay.
- Gradient boosting (LightGBM) — genellikle daha yüksek performans; SHAP ile açıklanabilir.
- ...

5. Sızıntı riski: "İptal nedeni" gibi iptalden sonra oluşan sütunları kesinlikle kullanmayın; eğitim/test ayrımını zamana göre yapın (ilk 20 ay eğitim, son 4 ay test).

ChatGPT'de Aç Yerel modelimde dene