Regresyon Analizi Nedir? Gerçek Hayattan Örnekler

Veri biliminin ve istatistiğin temel taşı olan Regresyon Analizi, değişkenler arasındaki ilişkileri anlamamızı, ölçmemizi ve bu ilişkileri kullanarak geleceğe dair tahminler yapmamızı sağlayan güçlü bir yöntemdir. En basit ifadesiyle regresyon; "Bir şey değiştiğinde, diğeri nasıl etkilenir?" sorusuna matematiksel bir yanıt arar.

1. Regresyon Analizinin Temel Kavramları​

Regresyonun mantığını kavramak için iki temel değişken türünü tanımak gerekir:

• Bağımlı Değişken (Hedef - Y): Tahmin etmeye çalıştığımız ana unsurdur. Örneğin; bir evin fiyatı.
• Bağımsız Değişken (Açıklayıcı - X): Bağımlı değişkeni etkilediğini düşündüğümüz faktörlerdir. Örneğin; evin metrekaresi, konumu veya oda sayısı.

Regresyon analizi, bu X ve Y arasındaki ilişkiyi bir matematiksel denklem (fonksiyon) haline getirir. Bu denklem sayesinde, elimizde olmayan yeni bir X değeri için Y'nin ne olacağını öngörebiliriz.

---

2. En Yaygın Regresyon Türleri​

A. Basit Lineer Regresyon (Simple Linear Regression)​

Sadece bir bağımsız değişken ve bir bağımlı değişken arasındaki doğrusal ilişkiyi inceler. Denklem genellikle Y=β0+β1X+ϵ formundadır.

• Örnek: Çalışılan saat sayısı (X) ile sınav notu (Y) arasındaki ilişki.

B. Çoklu Lineer Regresyon (Multiple Linear Regression)​

Bir bağımlı değişkeni açıklamak için birden fazla bağımsız değişkenin kullanıldığı durumdur. Gerçek hayat genellikle karmaşıktır ve bir sonuç tek bir nedene bağlı değildir.

• Örnek: Bir kişinin maaşını (Y); deneyim süresi (X1), eğitim seviyesi (X2) ve yaş (X3) ile tahmin etmek.

C. Lojistik Regresyon (Logistic Regression)​

Sonucun sayısal bir değer değil, bir "kategori" veya "olasılık" olduğu durumlarda kullanılır. Genellikle "Evet/Hayır", "Başarılı/Başarısız" gibi iki seçenekli (binary) durumlarda tercih edilir.

• Örnek: Bir müşterinin kredi borcunu ödeyip ödemeyeceğinin (1 veya 0) tahmini.

D. Polinom Regresyon (Polynomial Regression)​

Değişkenler arasındaki ilişki doğrusal değil de eğrisel ise (örneğin önce artıp sonra azalıyorsa) kullanılır.

• Örnek: Bir bitkinin büyüme hızı ile verilen gübre miktarı arasındaki ilişki (Belli bir noktadan sonra fazla gübre büyümeyi durdurabilir).

---

3. Gerçek Hayattan Regresyon Analizi Örnekleri​

Regresyon analizi laboratuvarlardan çıkıp günlük hayatın her alanına sızmıştır. İşte bazı somut kullanım alanları:

3.1. Gayrimenkul ve Emlak Piyasası​

Bir emlak sitesine girdiğinizde karşınıza çıkan "Tahmini Değer" algoritmaları tamamen çoklu regresyon kullanır. Sisteme evin metrekaresi, bulunduğu kat, şehir merkezine uzaklığı ve bina yaşı girilir; algoritma geçmişteki binlerce satış verisine bakarak size bir fiyat önerir.

3.2. Sağlık ve Tıp​

Doktorlar ve araştırmacılar, hastalık risklerini belirlemek için regresyonu kullanır. Örneğin; günlük içilen sigara miktarı ve egzersiz süresinin, kalp krizi geçirme riski üzerindeki etkisi regresyonla ölçülür. Burada bağımlı değişken "kalp krizi riski olasılığı"dır.

3.3. İş Dünyası ve Satış Tahminleri​

Bir perakende zinciri, önümüzdeki ay ne kadar stok yapması gerektiğini belirlemek için geçmiş satış verilerini, mevsimselliği ve reklam harcamalarını regresyon modeline sokar. Eğer "reklam harcaması" bağımsız değişkeninin katsayısı yüksekse, şirket reklam bütçesini artırma kararı alır.

3.4. Tarım ve Gıda Güvenliği​

Çiftçiler ve ziraat mühendisleri; sıcaklık, yağış miktarı ve toprak kalitesine bakarak o yılki hasat miktarını (rekolte) tahmin ederler. Bu, gıda fiyatlarının dengelenmesi için kritik bir veridir.

---

4. Regresyon Analizi Nasıl Yapılır? (Adım Adım)​

Bir regresyon analizi süreci genellikle şu aşamalardan oluşur:

1. Veri Toplama: İlişkili olduğunu düşündüğünüz değişkenleri bir araya getirin.
2. Veri Görselleştirme: Bir "Serpilme Diyagramı" (Scatter Plot) çizerek değişkenler arasında gerçekten bir ilişki olup olmadığını gözle kontrol edin.
3. Modeli Eğitme: Pandas ve Scikit-Learn gibi kütüphaneler kullanarak matematiksel modeli kurun.
4. Hata Analizi (Residuals): Tahminler ile gerçek değerler arasındaki farkları (hataları) inceleyin. Hatalar ne kadar küçükse model o kadar başarılıdır.
5. R-Kare (R2) Değerini Kontrol Etme: Bu değer, bağımsız değişkenlerin bağımlı değişkendeki değişimi ne kadar iyi açıkladığını gösterir (0 ile 1 arasındadır).

---

5. Regresyon Analizinde Sık Yapılan Hatalar​

• Korelasyon ve Nedensellik Karışıklığı: İki değişkenin birlikte hareket etmesi, birinin diğerine neden olduğu anlamına gelmez. Örneğin; dondurma satışları ile boğulma vakaları birlikte artar (çünkü ikisinin de nedeni yaz sıcaklığıdır), ancak dondurma yemek boğulmaya neden olmaz.
• Aşırı Öğrenme (Overfitting): Modelin mevcut veriyi "ezberlemesi" ve yeni gelen verilere uyum sağlayamamasıdır.
• Eksik Değişken Hatası: Önemli bir faktörü (örneğin ev fiyatı tahmininde konumu) dışarıda bırakmak, modelin doğruluğunu ciddi şekilde düşürür.

---

Sonuç​

Regresyon analizi, belirsizliklerle dolu bir dünyada veriye dayalı kararlar almamızı sağlayan bir pusuladır. Geçmişin verilerini matematiksel bir süzgeçten geçirerek geleceğe dair mantıklı öngörüler sunar. İster bir şirketin CEO'su olun, ister bir tıp öğrencisi; regresyonun mantığını anlamak, olaylar arasındaki neden-sonuç ilişkilerini çok daha net görmenizi sağlar.