Ezberleyen model sınavda neden çakar? Aşırı öğrenme
- Okuma süresi: 5 dk
- Kod bilgisi gerekmez

Çıkmış soruları ezberleyen bir öğrenci denemelerde 100 alır, gerçek sınavda ise zorlanır. Bazı yapay zekâ modelleri de tam böyle davranır. Bu derste bu duruma neden aşırı öğrenme (overfitting) dendiğini ve onu nasıl fark edeceğinizi öğreneceksiniz.
Aklınıza bir soru mu takıldı?
Bu derste neler öğreneceksiniz?
- Eğitim verisi ile sınama (test) verisinin farkını
- Ezber ile genellemenin (generalization) ne olduğunu
- Bir modelin ezberlediğini nasıl anlayacağınızı
- Aynı mantığı sınıfta ya da kendi çalışmanızda sohbet botuyla nasıl denersiniz
Ezber ve genelleme
Bir öğrencinin LGS ya da YKS denemeleri için son beş yılın çıkmış sorularını ezberlediğini düşünün. Bu sorular onun “eğitim verisi”dir. Sınavda ise daha önce görmediği sorularla karşılaşır; bu da “sınama verisi”dir. Sınavda başarılı olmak için ezber yetmez: konuyu anlayıp yeni sorulara uygulayabilmek gerekir. Buna genelleme denir.
Modeller de böyle öğrenir. Bir model eğitim verisindeki örneklerden bir kural çıkarmaya çalışır. Kural genel olursa yeni örneklerde de işe yarar. Model ise örnekleri ezberlerse eğitim verisinde mükemmel görünür ama yeni veride başarısız olur. Bu duruma aşırı öğrenme denir.
Kurgusal bir örnek: Bir model 100 eğitim sorusundan 98’ini doğru yanıtlıyor, daha önce görmediği 100 yeni sorudan ise 62’sini. Aradaki 36 puanlık fark, modelin öğrenmekten çok ezberlediğini düşündürür. Önemli olan, modelin yeni sorulardaki başarısıdır.
Öğretmen ve öğrenci örneği
Bir matematik öğretmeni sınav hazırlıyor. Deneme sınavındaki soruları aynen gerçek sınavda sorarsa, sınav, öğrencilerin ne kadar anladığını değil ne kadar ezberlediğini ölçer. Öğretmenin yapması gereken şey, sınav sorularını öğrencinin çalışırken hiç görmediği sorulardan seçmektir. Yapay zekâ dünyasında da aynı kural geçerlidir: modelin sınandığı veri, onu eğitirken kullanılmamış olmalıdır.
Scikit-learn belgeleri bunu şöyle söylüyor: bir modelin parametrelerini öğrendiği veriyle onu sınamak yöntem hatasıdır; etiketleri yalnızca tekrar eden bir model mükemmel puan alır ama daha önce görmediği veride işe yaramaz. Çözüm olarak verinin bir kısmını sınama seti olarak ayırmak öneriliyor. Belge ayrıca model ayarlarını sınama seti üzerinde yapmanın da aşırı öğrenmeye yol açabileceğini, bu yüzden ayrı bir ara sınama seti (validation set) ya da çapraz sınama kullanıldığını anlatıyor. Ayrıntı için scikit-learn belgelerine bakabilirsiniz.
Sınıfta bunu şöyle uygulayabilirsiniz. Öğretmen, soru bankasını ikiye böler: bir bölümü derste ve ödevde kullanılır, diğeri kasada saklanır. Sınavda yalnız saklanan bölümden soru çıkar. Öğrenciler bir sınav sorusunu önceden gördüyse o soru artık sınama değil, çalışma sorusu sayılır. Bu basit ayrım hem öğrencinin gerçek durumunu hem de bir modelin gerçek başarısını doğru ölçmenin temelidir.
Gençler için de bir kural çıkar: Bir uygulama ya da bot “yüzde 99 doğru” diyorsa, bu sayının hangi veriyle ölçüldüğünü sorun. Aynı soruların çalışma verisi olarak kullanıldığı bir ölçüm, size yeni sorularda ne yapacağını söylemez.
Bu konu üniversitelerde nerede öğretilir?
Stanford’ın CS229 makine öğrenmesi dersinin ders sayfasında öğrenme kuramı başlığı altında “bias/variance tradeoffs” (yanlılık ve değişinti dengesi) listeleniyor; aşırı öğrenme bu konuyla yakından ilgilidir. Google’ın makine öğrenmesi eğitim sayfası aşırı öğrenmeyi bir modelin eğitim verisine o kadar sıkı uyması ki yeni verilerde doğru tahmin yapamaması diye tanımlıyor; genellemeyi ise bunun karşıtı olarak anlatıyor.
Not: Sohbet botları çoğu sitede yaş koşuluyla sunulur. Bu dersin uygulama adımlarını, kullandığınız aracın yaş koşuluna uyuyorsanız kendiniz yapın; uymuyorsanız bir yetişkinle birlikte yapın ya da yalnız okuyup kâğıt üzerinde deneyin.
Zayıf komut
Aşırı öğrenme nedir?
Güçlü komut
Lise düzeyinde bir öğrenciye, aşırı öğrenmeyi çıkmış soruları ezberleyen bir öğrenci benzetmesiyle anlat. Eğitim verisini, sınama verisini ve genellemeyi birer cümleyle tanımla. Sonra kurgusal bir örnek ver: model eğitim sorularında yüzde 98, yeni sorularda yüzde 62 başarı göstersin. Bu farkın ne anlama geldiğini yaz. Son olarak bir öğretmenin sınav sorularını nasıl seçmesi gerektiğini üç maddeyle öner. Kişisel bilgi kullanma; yeni sayı uydurma.
Yapay zekâ çıktısı (örnek)
Eğitim verisi, modelin üzerinde çalıştığı örneklerdir; sınama verisi ise modelin daha önce görmediği örneklerdir. Genelleme, yeni örneklerde de iyi sonuç vermektir. Modelin eğitimde yüzde 98, yeni sorularda yüzde 62 başarı göstermesi aşırı öğrenmeye işaret eder. Öğretmen için öneriler: 1) Sınavda çalışılan soruları aynen kullanmayın. 2) Aynı konudan yeni sorular yazın. 3) Sonuçları ezber değil kavrayış açısından yorumlayın.
Adım adım uygulama
- Bir konu seçin (örneğin ondalık sayılar) ve yedi örnek soru yazın ya da botla birlikte hazırlayın.
- Soruların beşini “çalışma”, ikisini “sınama” olarak ayırın.
- Beş çalışma sorusunun yanıtını ezberleyin.
- İki sınama sorusunu hiç bakmadan çözmeyi deneyin.
- Çözemediğiniz soru, ezberin yetmediği yerdir; nedenini yazın.
- Güçlü komutu kullanarak botla aynı durumu bir model için konuşun.
- Sonucu tek cümleyle yazın: “Model yeni örnekte … yüzünden başarısız olur.”
Kontrol listesi
- Eğitim ve sınama verilerini ayrı tuttum.
- Sınama verisi çalışma sırasında kullanılmadı.
- Eğitim ve yeni veri başarısını ayrı ayrı yazdım.
- Aradaki farkı yorumladım.
- Kişisel bilgi paylaşmadım.
Sık yapılan hatalar
- Aynı veriyle hem çalışmak hem sınamak: Sonuç parlak görünür ama yeni durumlar için bir şey söylemez.
- Yüksek eğitim başarısını gerçek başarı sanmak: Önemli olan yeni verideki başarıdır.
- Sınama verisine bakarak ayar yapmak: Bu da sınama verisinin bilgisini modele sızdırır.
- Daha karmaşık model her zaman iyidir sanmak: Fazla karmaşık model ezbere daha yatkın olabilir.
İpucu
Bir modelin başarısını okurken iki sayı isteyin: görmediği veride ve çalıştığı veride başarı. İkisi arasındaki fark büyükse ezber şüphesi vardır.
Kendinizi deneyin
Aşırı öğrenme en iyi hangi cümleyle anlatılır?
Bir modelin gerçek başarısını ölçmek için hangi veri kullanılmalıdır?
Bir model eğitim sorularında yüzde 98, yeni sorularda yüzde 62 başarı gösteriyor. Bu ne düşündürür?
Kaynaklar
- scikit-learn belgeleri: Cross-validation (İngilizce)
- Google Machine Learning Crash Course: Overfitting (İngilizce)
- Stanford CS229: Machine Learning (İngilizce)
Son kontrol: 16 Kasım 2026. Bu bilgi bu tarihte açılan kaynaklara dayanır; durum değişebilir.
Kaynak: yzdersleri.com/ders/ezberleyen-model-neden-cakar-asiri-ogrenme/ · Yapay Zeka Dersleri
Dersi bitirdiniz mi?
İşaretlerseniz menüde ve ilerleme çubuğunda görünür. Bu bilgi yalnızca sizin tarayıcınızda saklanır.
Bu ders işinize yaradı mı?
Anonim oydur; kişisel veri toplanmaz.





