MONTY HALL PROBLEMİ


    "Monty Hall Problemi", 1963 senesinde  ABD'de ilk defa yayınlanan Let's Make a Deal isimli yarışma programındaki katılımcıların karşısına çıkan olasılıkla ilişkili ünlü bir açmazdır. 


    Programın sonunda bir yarışmacı, sunucu Monty Hall ile birlikte 3 büyük kapının karşısında durur: 1 Numaralı Kapı, 2 Numaralı Kapı ve de 3 Numaralı Kapı. Kapılardan birinin ardında araba diğer ikisinde ise keçi vardır. 


    Yarışmacı Monty ile kapıların karşısında dururken arabayı kazandıracak kapıyı bulma şansı 3'te 1'dir. 

       Yarışmacı bir kapıyı seçtikten sonra Monty yarışmacının seçmemiş olduğu kapılardan birini açar ve her zaman keçilerden birini bize gösterir. Bu noktada Monty yarışmacıya seçimini değiştirmek isteyip istemediğini sorar: İlk olarak seçtiği kapalı kapıdan vazgeçip diğer kapalı kapıyı seçmeyi. 

Kararını değiştirmeli midir?




    Evet. Yarışmacının ilk seçimine sadık kalması durumunda 1/3, değiştirmesi durumunda ise 2/3 kazanma şansı bulunmaktadır. Anahtar nokta Monty Hall'un her kapının arkasında ne olduğunu bilmesinde yatmaktadır. Eğer yarışmacı 1 numaralı kapıyı seçerse ve ardında bir otomobil varsa; Monty o zaman bir keçiyi ortaya çıkarmak için 2 ya da 3 numaralı kapıdan herhangi birini açabilir. 

    Eğer yarışmacı 1 numaralı kapıyı seçerse ve araba 2 numaralı kapının ardında ise Monty 3 numaralı kapıyı açar. 

    Eğer yarışmacı 1 numaralı kapıyı seçerse ve araba 3 numaralı kapının ardında ise Monty 2 numaralı kapıyı açar. 

    Bir kapı açıldıktan sonra karar değiştirerek, yarışmacı bir yerine iki kapı seçme avantajından yararlanmış olur. Bu analizle ilgili siz de deneme yapmak isterseniz bu linkten oyunu oynayabilirsiniz. Ben makineye 1000 kez değiştir(switch), 1000 kez de sabit kal(stay) komutunu verdim. 

Kümülatif oranlar şu şekilde gerçekleşti : 

Switch = %68,

Stay = %32.




Veriyle kalın.✊










Yorumlar

Yorum Gönder

Bu blogdaki popüler yayınlar

Preprocessing için PCA( Principal Component Analysis) Kullanımı

Resim
      T ürkçesi “Temel Bileşenler Analizi” olan PCA tanıma, sınıflandırma, görüntü sıkıştırma alanlarında kullanılan yararlı bir istatistiksel tekniktir. Temel amacı yüksek boyutlu verilerde en yüksek varyans ile veri setini tutmak ancak bunu yaparken boyut indirgemeyi sağlamaktır. Fazla boyutlu verilerdeki genel özellikleri bularak boyut sayısının azaltılmasını, verinin sıkıştırılmasını sağlar. Boyut azalmasıyla bazı özelliklerin kaybedileceği kesindir; fakat amaçlanan, bu kaybolan özelliklerin popülasyon hakkında çok az bilgi içeriyor olmasıdır. Bu yöntem, yüksek korelasyonlu değişkenleri bir araya getirerek, verilerdeki en çok varyasyonu oluşturan “temel bileşenler” olarak adlandırılan daha az sayıda yapay değişken kümesi oluşturur.      PCA verid e ki gerekli bilgileri ortaya çıkarmada oldukça etkili bir yöntemdir.  PCA’in arkasında yatan temel mantık çok boyutlu bir veriyi, verideki temel özellikleri yakalayarak daha az sayıda değişkenle göstermektir. 
Devamı

Adversarial Validator

Resim
     2019  yılında bir model eğittiniz, başarısı çok yüksekti ve gönül rahatlığıyla gerçek ortama taşıdınız. Ancak 2020 yılında pandemi bütün dünyayı etkisi altına aldı. Haliyle sizin çalıştığınız veriler de bir hayli değişti. 2019 yılında modelinizi eğittiğiniz veri setiyle bugünlerde tahminlemeye çalıştığınız veriler benzer mi diye merak ediyorsunuz. Bu durumla baş etmenin birkaç yolu var ve ben bir tanesine ufak da olsa bir katkıda bulundum. Bu yazıda size yeni Python paketimi tanıtmak istiyorum.     
Devamı

Makine Öğrenmesinde Değişken Seçimi

Resim
Bu çalışmamızda model seçimi önemini UCI dizinindeki  banka pazarlama veri kümesi  üzerinden inceleyelim. Amaç müşterilerin özelliklerine ve ekonomik göstergelere bakarak müşterilerin kampanya tekliflerine dönüş yapıp yapmayacağını tahmin etmek. Elimizdeki problem iki sınıftan oluşan bir sınıflandırma problemi, burada Random Forest Algoritmasını kullandım. Algoritmanın iç işleyişini anlama konusunda yetkin olmak önemli olmakla birlikte, bulguları makine öğrenimi hakkında teorik / pratik bilgisi olmayan bir kitleye iletebilmek çok daha önemlidir.  Sadece algoritmanın iyi tahmin ettiğini göstermek yeterli değildir.  Tahminleri, doğruluğunuza katkıda bulunan giriş verilerinin öğelerine atfetmelisiniz.  Neyse ki, sklearn  veri kümesindeki özelliklerin tahmin gücünü açıklamamıza yardımcı olan  “ değişken önemi(feature importances)  ” adı verilen bir çıktı vermektedir  .  Ancak, bu çıktının dezavantajlarını ve bunların üstesinden nasıl geleceğimizi açıklayacağım. Verideki değişkenlerin anlam
Devamı