# Kitap Rotası: Belirsizlik ve Kalibrasyon
Genel Harita Model Seçimi Düzenlileştirme Belirsizlik Bayes Kalibrasyon Conformal Gözetimsiz ve Ötesi
Kitap / Karar Güveni

İyi makine öğrenmesi yalnızca sık doğru olmak değildir; ne kadar emin olunması gerektiğini de doğru söylemektir. Bu rota, posterior düşünme, olasılık kalibrasyonu ve kapsam garantisi gibi fikirleri görsel karar disiplinine çevirir.

## Neden Bu Bölüm Gerekli? - Güçlü model, güvenilir model demek değildir. - Düşük ön oranlı problemlerde kanıtı yanlış okumak kolaydır; Bayes güncellemesi bunu netleştirir. - `0.9` olasılık diyen model gerçekten uzun vadede `%90` civarı doğru çıkmıyorsa kalibrasyon sorunu vardır. - Conformal bakış, “bu tahmine hangi aralıkta güvenebilirim?” sorusuna doğrudan cevap vermeye çalışır. ## Bu Projedeki Görsel Karşılıklar
Bayes Güncellemesi Ön oran, duyarlılık ve yanlış alarm oranı birlikte değiştiğinde bir pozitif kanıtın gerçekten ne kadar ikna edici olduğunu gör. Canlı Bayes demosu
Olasılık Kalibrasyonu Model skorlarının özgüvenle mi şiştiğini, yoksa gereğinden temkinli mi kaldığını reliability diyagramı üzerinde oku. Canlı kalibrasyon
Conformal Prediction Tahmin bandının ne kadar genişlemesi gerektiğini ve hedeflenen kapsamın gerçekten tutup tutmadığını izle. Canlı conformal demo
## Neden Düzenlileştirmeden Sonra Geliyor? Çünkü kitap ruhunda önce modelin kapasitesini ve genellemesini düzene sokarsın, sonra bu modelin söylediği olasılıklara ne kadar güvenileceğini sorarsın. Kalibrasyon ve belirsizlik, performansın üstüne eklenen kozmetik değil; kararın güven kısmıdır.
Bu Sayfa Bayes Kalibrasyon Conformal Karar Verme Sonraki: Gözetimsiz ve Ötesi