SPSS İle Yapay Zeka ve Makine Öğrenimi Entegrasyonu

Kısa cevap: SPSS ile yapay zeka ve makine öğrenimi uygulamaları, kod yazmadan menüler üzerinden yapılabilir: Analyze > Classify > Tree ile karar ağaçları, Analyze > Neural Networks ile yapay sinir ağları, Analyze > Classify altındaki K-Means ve TwoStep ile kümeleme kurulur. Daha ileri modeller için ise SPSS’in Python entegrasyonu kullanılarak scikit-learn gibi kütüphaneler aynı iş akışına eklenir.

Bu rehberde her yöntemin hangi soruya cevap verdiğini, menü yollarını, eğitim ve test ayrımını ve çıktının nasıl okunacağını, müşteri kaybı (churn) tahmini üzerinden somut bir örnekle anlatıyoruz.

Yapay zeka ve makine öğrenimi SPSS’te ne anlama gelir?

Makine öğrenimi, bir modelin veriden örüntü öğrenip yeni gözlemler için tahmin üretmesidir. Klasik istatistikte amaç çoğunlukla bir ilişkiyi test etmek ve katsayıyı yorumlamaktır; makine öğreniminde ise öncelik, modelin görmediği veride ne kadar iyi tahmin yaptığıdır. Bu nedenle veriyi mutlaka eğitim ve test kümelerine ayırmak temel bir kuraldır.

Öte yandan IBM SPSS Statistics, bu yaklaşımı destekleyen birkaç prosedür sunar. Ayrıca IBM’in ayrı bir ürünü olan SPSS Modeler, sürükle-bırak akışlarla daha geniş bir makine öğrenimi araç seti içerir. Bu yazıda, öğrencilerin ve araştırmacıların en çok erişebildiği SPSS Statistics üzerinde duruyoruz. Bazı prosedürlerin lisans paketine göre ek modül gerektirebileceğini de baştan belirtelim.

SPSS ile yapay zeka uygulamalarında hangi yöntemler var?

Aşağıdaki tablo, SPSS Statistics içinde kullanılabilen başlıca makine öğrenimi yöntemlerini ve tipik kullanım alanlarını özetler.

Yöntem	Menü yolu	Ne için kullanılır?	Güçlü yanı
Karar ağacı (CHAID, CRT, QUEST)	Analyze > Classify > Tree	Sınıflandırma ve segment kuralı çıkarma	Yorumlanması kolay kurallar
Çok katmanlı algılayıcı (MLP)	Analyze > Neural Networks > Multilayer Perceptron	Doğrusal olmayan sınıflandırma ve tahmin	Karmaşık ilişkileri yakalar
Radyal tabanlı fonksiyon (RBF)	Analyze > Neural Networks > Radial Basis Function	Hızlı sinir ağı modeli	Daha kısa eğitim süresi
K-Means kümeleme	Analyze > Classify > K-Means Cluster	Müşteri veya katılımcı segmentasyonu	Büyük veride hızlı
TwoStep kümeleme	Analyze > Classify > TwoStep Cluster	Karma (kategorik + sürekli) değişkenlerle kümeleme	Küme sayısını önerir
En yakın komşu (KNN)	Analyze > Classify > Nearest Neighbor	Benzer gözlemlere göre sınıflandırma	Basit ve sezgisel
Lojistik regresyon	Analyze > Regression > Binary Logistic	İkili sonuç tahmini, kıyaslama modeli	Katsayılar yorumlanabilir

Kısacası yöntem seçimi, sonuç değişkeninizin türüne ve modelin yorumlanabilir olması gerekip gerekmediğine bağlıdır. Örneğin bir hastanede hangi hastaların yeniden yatışa gireceğini tahmin ederken, klinisyenlere açıklanabilir kurallar sunan karar ağacı çoğu zaman sinir ağından daha kullanışlıdır.

Veri makine öğrenimi için nasıl hazırlanır?

SPSS ile yapay zeka çalışmalarında en çok zaman alan aşama genellikle veri hazırlığıdır. Çünkü model ne kadar gelişmiş olursa olsun, kirli veriyle iyi sonuç vermez. Bu nedenle SPSS’te önce şu hazırlıkları yapın:

• Eksik veriler: Analyze > Missing Value Analysis ile eksiklik oranını inceleyin. %5’in altındaki eksiklikler çoğu zaman sorun yaratmaz; daha yüksek oranlarda çoklu atama (Multiple Imputation) düşünülebilir.
• Ölçek türleri: Variable View sekmesinde her değişkenin Scale, Ordinal veya Nominal olarak doğru tanımlandığından emin olun. Sinir ağı ve karar ağacı prosedürleri bu bilgiye göre çalışır.
• Standartlaştırma: Analyze > Descriptive Statistics > Descriptives penceresinde “Save standardized values as variables” seçeneği z puanları üretir. K-Means gibi uzaklığa dayalı yöntemlerde bu adım önemlidir.
• Bölümleme değişkeni: Transform > Compute Variable ile bolum = RV.BERNOULLI(0.7) yazarak gözlemlerin yaklaşık %70’ini eğitim (1), %30’unu test (0) kümesine atayabilirsiniz. Tekrarlanabilirlik için önce Transform > Random Number Generators menüsünden sabit bir başlangıç değeri (seed) belirleyin.

SPSS ile yapay zeka örneği: karar ağacı nasıl kurulur?

Örnek senaryomuzda bir abonelik şirketinin 2.000 müşterisine ait veri var: sözleşme süresi, aylık ücret, destek çağrısı sayısı, yaş ve müşterinin ayrılıp ayrılmadığı (churn: 1/0). Amaç, ayrılma riski yüksek müşterileri önceden belirlemektir.

1. Analyze > Classify > Tree menüsünü açın.
2. Dependent Variable kutusuna churn değişkenini, Independent Variables kutusuna diğer değişkenleri taşıyın.
3. Growing Method olarak CHAID’i seçin; kategorik hedeflerde anlaşılır ve çok dallı ağaçlar üretir.
4. Validation düğmesinde “Split-sample validation” seçeneğini işaretleyip bölümleme değişkeninizi kullanın.
5. Criteria bölümünde en küçük düğüm büyüklüğünü (ör. üst düğüm 100, alt düğüm 50) belirleyerek aşırı öğrenmeyi sınırlayın.

Model çalıştıktan sonra çıktıda ağaç diyagramı, risk tahmini ve sınıflandırma tablosu yer alır. Örneğin ilk ayrımın sözleşme süresine göre yapılması, bu değişkenin ayrılmayı en iyi açıklayan etken olduğunu gösterir. Benzer şekilde “aylık sözleşmeli ve üçten fazla destek çağrısı olan müşterilerin %48’i ayrılmış” gibi bir düğüm, pazarlama ekibine doğrudan uygulanabilir bir kural sunar. Ancak burada önemli olan test kümesindeki doğruluktur; eğitim doğruluğu ile test doğruluğu arasında büyük fark varsa model ezberlemiştir.

Yapay sinir ağı modeli nasıl çalıştırılır ve yorumlanır?

Aynı veriyle bir sinir ağı kurmak için Analyze > Neural Networks > Multilayer Perceptron menüsünü açın. Churn değişkenini Dependent, kategorik açıklayıcıları Factors, sürekli açıklayıcıları ise Covariates kutusuna alın.

• Partitions sekmesinde eğitim/test oranını (ör. 7/3) girin veya bölümleme değişkenini kullanın.
• Architecture sekmesinde başlangıç için otomatik mimari seçimini bırakın; SPSS gizli katmandaki nöron sayısını kendisi belirler.
• Output sekmesinde ROC eğrisi ve sınıflandırma sonuçlarını, Independent variable importance analysis seçeneğini işaretleyin.

Çıktıyı okurken önce test kümesindeki yüzde doğru sınıflandırmaya, ardından ROC eğrisi altındaki alana (AUC) bakın. AUC değeri 0,5 rastgele tahmin anlamına gelir; 0,8 ve üzeri genellikle iyi bir ayırt edicilik olarak yorumlanır. Ayrıca değişken önem grafiği, modelin hangi değişkenlere dayandığını gösterir. Böylece “kara kutu” eleştirisine kısmen cevap verebilirsiniz.

SPSS ile yapay zeka modeli kurarken sinir ağının rastgele başlangıç ağırlıklarıyla eğitildiğini unutmayın. Bu yüzden aynı veriyle iki kez çalıştırılan model biraz farklı sonuç verebilir; tutarlılık için önceden bir seed belirlemek gerekir.

Bununla birlikte sinir ağı her zaman en iyi model değildir. Küçük örneklemlerde (ör. 300’ün altı) lojistik regresyon veya karar ağacı çoğu zaman benzer doğruluğu daha anlaşılır biçimde sağlar. Dolayısıyla en az iki modeli aynı test kümesinde karşılaştırmak iyi bir uygulamadır.

Kümeleme ile segmentasyon nasıl yapılır?

Sonuç değişkeni olmayan, yani denetimsiz öğrenme gerektiren durumlarda kümeleme kullanılır. Örneğin müşterileri harcama ve kullanım alışkanlıklarına göre gruplamak istiyorsanız Analyze > Classify > TwoStep Cluster menüsü iyi bir başlangıçtır; çünkü hem kategorik hem sürekli değişkenleri kabul eder ve uygun küme sayısını önerir.

Ardından çıktıdaki Model Summary bölümünde siluet ölçüsü yer alır. Bu değer 0,5’in üzerindeyse küme yapısı iyi, 0,2–0,5 arasında makul, 0,2’nin altında zayıf kabul edilir. Daha sonra her kümenin ortalamalarını karşılaştırarak “yüksek harcamalı sadık müşteriler” veya “düşük kullanımlı riskli müşteriler” gibi anlamlı adlar verebilirsiniz.

Python entegrasyonu SPSS’te neler kazandırır?

SPSS Statistics’in menülerinde bulunmayan algoritmalar, örneğin rastgele orman (random forest) veya gradyan artırma, Python entegrasyonu ile kullanılabilir. Bunun için Python eklentisinin kurulu olması gerekir; güncel sürümlerde bu entegrasyon kurulumla birlikte gelir. Ayrıca Extensions > Extension Hub üzerinden hazır uzantılar eklenebilir.

Syntax penceresinde BEGIN PROGRAM PYTHON3. ile END PROGRAM. arasına yazılan kod, etkin veri setine erişebilir. Örneğin tipik bir iş akışı şöyledir: veri spssdata modülüyle okunur, scikit-learn ile model eğitilir ve tahmin olasılıkları yeni bir değişken olarak SPSS veri setine geri yazılır. Böylece raporlama ve grafikler yine SPSS içinde yapılabilir.

Ancak kod yazmak istemeyen kullanıcılar için menüdeki karar ağacı ve sinir ağı prosedürleri çoğu tez ve iş projesi için yeterlidir. Özellikle sosyal bilimler ve sağlık alanındaki tezlerde jüri, genellikle yorumlanabilir modelleri tercih eder.

SPSS ile yapay zeka modelleri nasıl raporlanmalı?

Raporlama aşamasında yalnızca doğruluk yüzdesini vermek yeterli değildir. Bunun yerine şu öğeleri içeren kısa bir tablo hazırlayın: eğitim ve test kümelerinin büyüklüğü, doğruluk, duyarlılık (sensitivity), özgüllük (specificity) ve AUC. Ayrıca kullanılan yöntem, büyütme kriterleri veya gizli katman yapısı yöntem bölümünde açıkça yazılmalıdır.

Aşırı öğrenmeyi kontrol etmek için eğitim ve test sonuçlarını yan yana vermek de önemlidir. Çünkü iki değer arasında 10 puandan fazla fark varsa, model büyük olasılıkla eğitim verisini ezberlemiştir. Bu durumda ağacın derinliğini azaltmak, en küçük düğüm büyüklüğünü artırmak veya sinir ağında gizli katmandaki nöron sayısını düşürmek genellikle sorunu hafifletir. Ayrıca farklı rastgele başlangıç değerleriyle modeli birkaç kez çalıştırıp sonuçların tutarlı olup olmadığını kontrol etmek, bulgularınızın sağlamlığını gösterir.

Örneğin şöyle bir cümle kurulabilir: “CHAID karar ağacı modeli test kümesinde %81 doğrulukla sınıflandırma yapmış (AUC = 0,84); sözleşme süresi en güçlü belirleyici olarak öne çıkmıştır.” Sonuç olarak dengesiz sınıflarda (ör. müşterilerin yalnızca %10’u ayrılmışsa) doğruluk yanıltıcı olabileceğinden duyarlılık değerini mutlaka raporlayın.

Sık sorulan sorular

SPSS’te kod yazmadan makine öğrenimi yapılabilir mi?
Evet. Karar ağacı, yapay sinir ağı, kümeleme ve en yakın komşu yöntemleri menüler üzerinden çalıştırılabilir. Kod yalnızca menüde olmayan algoritmalar için gerekir.

SPSS Statistics ile SPSS Modeler arasındaki fark nedir?
Statistics sürümü istatistiksel analiz odaklı, menü ve syntax tabanlı bir programdır. Modeler ise makine öğrenimi ve veri madenciliği için sürükle-bırak akışlar sunan ayrı bir IBM ürünüdür.

Neural Networks menüsü görünmüyorsa ne yapmalıyım?
Bu prosedür bazı lisans paketlerinde ek modül olarak sunulur. Kurumunuzun lisansını kontrol etmeniz veya karar ağacı ve lojistik regresyon gibi alternatifleri kullanmanız önerilir.

Makine öğrenimi için kaç gözlem gerekir?
Kesin bir sayı yoktur. Ancak eğitim ve test ayrımı yapabilmek için genellikle birkaç yüz gözlem gerekir; sinir ağları için daha büyük örneklemler tercih edilir.

Model sonuçları teze nasıl eklenir?
Test kümesi doğruluğu, duyarlılık, özgüllük ve AUC değerleri bir tabloda verilir; karar ağacı diyagramı veya değişken önem grafiği şekil olarak eklenir.

İlgili rehberler ve hizmetler

• SPSS ile lojistik regresyon analizi
• Tezlerde scikit-learn ile tahminleme
• Jamovi ile yapay sinir ağı modelleri
• IBM SPSS Statistics
• scikit-learn belgeleri

Veri, modern dünyanın en değerli varlıklarından biri haline gelmiştir ve iş dünyasında, araştırmada ve karar verme süreçlerinde kritik bir rol oynamaktadır. Biz, veri analizi konusundaki tutkulu bir topluluk olarak, veri biliminin ve analizinin gücünü vurguluyoruz. Web sitemiz, işletmelerden akademisyenlere ve veri meraklılarına kadar herkesin veri analizi becerilerini geliştirmesine yardımcı olmayı amaçlayan bir kaynaktır. Misyonumuz, veri analizi sürecini anlaşılır ve erişilebilir hale getirmek, verilerin içinde gizlenen değeri açığa çıkarmak ve daha bilinçli kararlar almalarını desteklemektir.

Web sitemiz, geniş bir veri analizi yelpazesi sunmaktadır. Hangi sektörde olursanız olun veya hangi veri analizi aracını kullanıyorsanız kullanın, ihtiyaçlarınıza uygun hizmetler sunuyoruz. SPSS, R, Python, Excel veya diğer analiz araçlarını kullanarak veri madenciliği, hipotez testleri, regresyon analizi, zaman serisi tahmini, segmentasyon ve daha fazlasını içeren çeşitli analiz türlerini kapsarız. Ayrıca, öğrenmeyi kolaylaştırmak için zengin kaynaklar, öğreticiler ve interaktif araçlar sunuyoruz.