Öğrenme Eğrisi (Learning Curve)

Öğrenme Eğrisi nedir?

Öğrenme eğrisi (learning curve), bir modelin başarımının zamanla ya da veri miktarıyla nasıl değiştiğini gösteren grafiktir. Yatay eksende genelde eğitim adımı (epoch) veya kullanılan veri miktarı, dikey eksende ise hata ya da doğruluk yer alır. Çoğunlukla iki çizgi çizilir: eğitim verisindeki performans ve doğrulama (validation) verisindeki performans.

Nasıl çalışır?

Eğitim ilerledikçe iki eğrinin davranışına bakarsın. İki eğri de yüksek hatada takılı kalmışsa model yeterince öğrenemiyordur — bu underfitting'in imzasıdır; model ya çok basittir ya da daha uzun eğitim gerekir. Eğitim hatası dibe inerken doğrulama hatası bir noktadan sonra tırmanmaya başlıyorsa model eğitim verisini ezberliyordur — bu da overfitting'in klasik şeklidir. İki eğri birbirine yakın ve düşükse model sağlıklı öğreniyordur. Veri miktarına göre çizilen eğri ise "daha fazla veri işe yarar mı?" sorusuna cevap verir: eğri hâlâ düşüyorsa veri eklemek mantıklıdır, düzleştiyse başka yere yatırım yapmak gerekir.

Neden önemli?

Öğrenme eğrisi, modelin nerede tıkandığını tek bakışta gösteren en pratik teşhis aracıdır. "Modelim kötü, ne yapayım?" sorusunun cevabı çoğu zaman bu grafikte gizlidir: daha fazla veri mi, daha büyük model mi, daha güçlü düzenlileştirme (regularization) mi gerektiğini eğrinin şekli söyler. Kör deneme yerine yönlü karar aldırır.

Kullanım alanları

Model geliştirmenin her aşamasında kullanılır: hiperparametre seçiminde, veri toplama kararında, erken durdurma (early stopping) noktasını belirlemede. scikit-learn, TensorBoard, Weights & Biases gibi araçlar bu eğrileri otomatik çizer. Bir ekibin "daha fazla veri mi toplayalım yoksa mimariyi mi değiştirelim" tartışmasını çoğu zaman öğrenme eğrisi bitirir.