Karar Sınırı (Decision Boundary)

Karar Sınırı nedir?

Karar sınırı, bir sınıflandırma modelinin veriyi iki (ya da daha fazla) sınıfa böldüğü ayırıcı çizgidir. İki boyutlu bir düzlemde düşün: bir yanda kırmızı noktalar, öbür yanda mavi noktalar var. Modelin çizdiği o ayıraç çizgi karar sınırıdır. Sınırın bir tarafına düşen her yeni örnek "kırmızı", öbür tarafına düşen "mavi" olarak etiketlenir.

Gerçek problemlerde veri iki boyutta değil, yüzlerce boyutta yaşar. O yüzden karar sınırı da bir çizgi değil, çok boyutlu bir yüzey (hiper-düzlem ya da eğri bir manifold) olur. Ama sezgi aynı kalır: model uzayı parçalara böler, her parçaya bir sınıf düşer.

Nasıl çalışır?

Model eğitim sırasında öyle parametreler öğrenir ki, bu sınır doğru örnekleri doğru tarafa düşürsün. Basit modeller (mesela lojistik regresyon) düz bir karar sınırı çizer — buna doğrusal sınır denir. Karmaşık modeller (derin sinir ağları, karar ağaçları) kıvrımlı, girift sınırlar çizebilir.

İşin püf noktası şu: sınır ne kadar kıvrımlıysa, model eğitim verisine o kadar iyi uyar ama aşırı uyum (overfitting) riski de o kadar artar. Çok kıvrımlı bir sınır, eğitim verisindeki gürültüyü bile ezberleyip yeni veride tökezler. Çok düz bir sınır ise karmaşık deseni yakalayamaz (underfitting).

Neden önemli?

Karar sınırı, bir modelin nasıl "düşündüğünü" görselleştirmenin en somut yoludur. Modelin nerede kararsız kaldığını, hangi bölgelerde hata yaptığını sınıra bakarak anlarsın. Sınırın hemen kenarındaki örnekler modelin en emin olamadığı örneklerdir — support vector machine gibi yöntemler zaten tam bu kenar örnekleri üstüne kurulur.

Kullanım alanları

Spam filtresinin "spam / değil" ayrımı, bir kredi modelinin "onay / ret" kararı, görüntü sınıflandırmada "kedi / köpek" ayrımı — hepsinin altında bir karar sınırı vardır. Modelleri kıyaslarken, iki farklı algoritmanın aynı veriye çizdiği sınırları yan yana koymak, hangisinin daha sağlıklı genelleme yaptığını hızlıca gösterir.