Seçim Yanlılığı (Selection Bias)

Seçim Yanlılığı nedir?

Seçim yanlılığı (selection bias), bir veri kümesindeki örneklerin gerçek dağılımı yansıtmayacak şekilde seçilmesinden kaynaklanan hatadır. Model, eğitim verisinde gördüğü örüntüleri öğrenir; eğer veri toplanırken belirli gruplar sistematik olarak dışarıda kaldıysa veya fazla temsil edildiyse, model bu çarpık tabloyu gerçek sanır.

İkinci Dünya Savaşı'ndan kalma meşhur bir hikâye bunu iyi anlatır: Görevden dönen uçaklardaki kurşun delikleri incelenip en çok delik olan bölgelerin zırhlanması önerilmiş. Oysa asıl bakılması gereken, dönemeyen uçaklardı. Delik görülmeyen bölgeler, oradan vurulan uçakların geri gelemediği bölgelerdi. Bu özel türe hayatta kalan yanlılığı (survivorship bias) denir.

Nasıl çalışır?

Seçim yanlılığının yaygın türleri şunlardır:

• Kapsam yanlılığı (coverage bias): Veri, hedef kitlenin tamamını kapsamaz. Sadece akıllı telefon kullanıcılarından toplanan bir sağlık verisi, yaşlı nüfusu eksik temsil eder.
• Yanıt vermeme yanlılığı (non-response bias): Ankete katılanlar ile katılmayanlar sistematik olarak farklıdır. Bir ürün hakkında en çok yorum yazanlar genelde çok memnun ya da çok kızgın olanlardır.
• Örnekleme yanlılığı (sampling bias): Veri toplanırken rastgelelik sağlanmaz; örneğin sadece ilk gelen başvurular alınır.
• Hayatta kalan yanlılığı: Sadece bir süreçten "geçebilen" örnekler görülür, elenenler görünmez.

Makine öğrenmesinde bu durum çoğu zaman sessizce oluşur. Bir kredi modeli sadece geçmişte onaylanmış başvuruların geri ödeme verisiyle eğitilir, çünkü reddedilenlerin ödeyip ödemeyeceği hiç bilinmez. Model, reddedilen profili hiç tanımadan onlar hakkında karar verir.

Neden önemli?

Seçim yanlılığı, modeli ne kadar büyütürsen büyüt düzelmez. Veri miktarını artırmak, aynı çarpık kaynaktan geliyorsa sadece yanlılığı daha kesin hale getirir. Sonuç, test setinde iyi görünen ama sahada belirli gruplarda başarısız olan modellerdir. Test seti de aynı yanlı kaynaktan geldiği için sorun değerlendirmede bile yakalanmaz.

Kullanım alanları

Seçim yanlılığını azaltmak için kullanılan yöntemler:

• Veri kaynağını belgelemek: Datasheet ve model card'larda verinin kimden, nasıl ve ne zaman toplandığını yazmak.
• Tabakalı örnekleme: Önemli alt grupların hepsinden yeterli örnek almak.
• Yeniden ağırlıklandırma: Az temsil edilen gruplara eğitimde daha fazla ağırlık vermek.
• Keşif verisi toplamak: Model kararlarından bağımsız küçük bir rastgele grup tutarak gerçek dağılımı gözlemlemek.
• Alt grup değerlendirmesi: Model başarısını sadece genel olarak değil, her segment için ayrı ölçmek.