Özellik (feature) nedir?

Bu derste yapay zekânın en temel yapı taşlarından biri olan özellik (feature) kavramını sıfırdan işliyoruz: ne anlama geldiği, günlük hayattan örnekleri, türleri, etiketten farkı ve özellik seçerken yapılan hatalar. Bu ders, Yapay Zekâ dersleri serimizin Yapay Zekânın Temel Kavramları ünitesinin bir parçasıdır.

Özellik (Feature) Nedir?

Yapay zekâ ve makine öğrenmesinde özellik (feature), bir modelin öğrenirken ve tahmin üretirken kullandığı, ölçülebilir her bir girdi bilgisidir. Örneğin bir evin satış fiyatını tahmin edecek bir model kuruyorsanız, evin metrekaresi, oda sayısı, bulunduğu kat, ısınma tipi ve bina yaşı birer özelliktir. Model, bu özelliklerin fiyatla olan ilişkisini veriden öğrenir.

Kendinize şöyle sorabilirsiniz: Bir emlak uzmanı bir evi değerlendirirken hangi bilgilere bakar? İşte bu bilgilerin makineye sunulmuş, düzenli ve sayısal hâli özelliklerdir. Ham veriler bu özelliklere dönüştürülerek modele verilir; veri kavramının tamamını yapay zekâda veri dersinde işliyoruz. Veri setinde her satır genellikle bir örnek (bir ev, bir müşteri, bir e-posta), her sütun ise bir özelliğe karşılık gelir; ayrıntı için Veri seti nedir? dersine bakabilirsiniz.

Yapay Zekâ Sistemlerinde Özellik Örnekleri

Özellik kavramını günlük hayattaki yapay zekâ uygulamaları üzerinden pekiştirelim:

• E-posta spam filtresi: Mesajdaki bazı kelimelerin geçme sıklığı, gönderen adresi, bağlantı sayısı gibi bilgiler özellik olarak kullanılır; model bunlardan yola çıkarak mesajın istenmeyen posta olup olmadığına karar verir.
• Öneri sistemleri: Dizi ve müzik platformlarının öneri motoru; kullanıcının izleme geçmişi, verdiği puanlar, izleme saati gibi özelliklerle çalışır ve beğenebileceğiniz yeni içerikleri sıralar.
• Sağlık alanında tahmin: Yaş, tansiyon ve kan değerleri gibi özelliklerden hastalık riski hakkında tahmin üretilir.
• Görüntü işleme: Geleneksel yöntemlerde kenar, renk ve doku gibi elle çıkartılmış özellikler kullanılırdı; günümüz derin öğrenme modellerinde ise bu özellikleri model, piksel değerlerinden kendi kendine öğrenir.
• Büyük dil modelleri: 2024–2025 döneminde yaygınlaşan sohbet asistanlarında metin, önce parçalara (token) bölünür; model, veriden kendi iç gösterimlerini kendisi üretir. Özellik kavramı burada daha soyutlaşır ama mantık aynıdır: modelin dünyayı gördüğü pencere özelliklerdir.

Özellik Türleri Nelerdir?

Özellikler, taşıdıkları değer türüne göre ayrılır ve her tür modellemeye alınmadan önce farklı biçimde işlenir:

• Sürekli sayısal özellikler: Metrekare, yaş, sıcaklık gibi aralık içinde herhangi bir sayı değeri alabilen özellikler.
• Ayrık sayısal özellikler: Oda sayısı, çocuk sayısı gibi genellikle tam sayı olan özellikler.
• Kategorik özellikler: Şehir, renk, ısınma tipi gibi sınıflandırılabilir değerler; modellemeye alınmadan önce sayısal gösterime dönüştürülürler.
• İkili özellikler: Evet/hayır, var/yok gibi yalnızca iki değer alabilen özellikler (0 veya 1 ile gösterilir).
• Sıralı özellikler: Küçük-orta-büyük gibi doğal bir sırası olan kategoriler.

Özellik ile Etiket (Label) Arasındaki Fark

Yeni başlayanların en sık karıştırdığı nokta budur: özellik girdi, etiket ise tahmin edilmek istenen çıktıdır. Ev örneğinde metrekare ve oda sayısı özellikken, evin gerçek satış fiyatı etikettir. Konunun ayrıntılarını Etiket (label) nedir? dersinde bulabilirsiniz. Bu ayrım denetimli öğrenmenin de temelini oluşturur: model, özelliklerden etikete uzanan ilişkiyi öğrenir ve daha önce görmediği bir örneğin özellik değerlerine bakarak tahmin üretir.

Özellik Seçimi ve Özellik Mühendisliği

Hangi özelliklerin modele verileceğine karar vermek, modelin başarısı üzerinde verinin kendisi kadar etkilidir. Bu çalışmanın iki ana ayağı vardır:

• Özellik seçimi (feature selection): Tahminle ilgisi olmayan, birbirini tekrarlayan veya gürültü taşıyan özelliklerin ayıklanması.
• Özellik mühendisliği (feature engineering): Ham veriden yeni ve daha anlamlı özellikler üretme becerisi. Örneğin tarih bilgisinden haftanın gününü türetmek ya da ev örneğinde oda sayısına düşen metrekareyi hesaplamak, modelin ilişkiyi yakalamasını kolaylaştırır.

Seçilen özellikler eğitim sırasında modele girdi olarak sunulur; model, her özelliğin sonuca katkısını kendi iç ağırlıklarıyla öğrenir. Eğitim sürecinin tamamı için Model eğitimi nedir? ve Model eğitimi nasıl yapılır? derslerimize göz atabilirsiniz.

Sık Yapılan Hatalar ve Yanılgılar

1. Ne kadar çok özellik, o kadar iyi model yanılgısı: Gereksiz özellikler modeli karmaşıklaştırır, eğitimi yavaşlatır ve asıl önemli ilişkilerin öğrenilmesini zorlaştırır. Çoğu durumda az ama anlamlı özellik daha iyi sonuç verir.
2. Etiketi yanlışlıkla özellik yapmak: Tahmin edilecek bilgi girdilerin arasına karışırsa model gereksiz kolay bir sınav çözmüş gibi olur; buna veri sızıntısı denir ve modelin gerçek başarımını gizler.
3. Farklı ölçekli özellikleri düzeltmeden kullanmak: Yaş (0–100) ile yıllık gelir (binlerce lira) aynı modele verildiğinde bazı modeller büyük sayılı özelliği daha önemli sanır; ölçekleme ile bu dengelenir.
4. Eksik ya da hatalı değerleri görmezden gelmek: Boş kalan özellik değerleri uygun bir yöntemle doldurulmalı ya da bilinçli olarak çıkarılmalıdır.
5. İlişkiyi nedensellik sanmak: Bir özellik ile sonuç arasında bağıntı görülmesi, özelliğin sonucu neden olduğu anlamına gelmez.

Özellikler, yapay zekânın ham maddesi olan veri ile model arasında köprü kurar; iyi seçilmiş özellikler sıradan bir modeli bile belirgin biçimde güçlendirebilir. Model kavramının kendisini merak edenler için Model nedir? dersimiz ayrı bir başlıkta ele alınmıştır.