Tahmin modellerinde veri kaymalarının açıklanabilir yapay zekâ araçlarıyla tespit edilmesi

Kavram kayması, veri setlerinde zamanla meydana gelen ve tahmin modellerininperformansını olumsuz etkileyen değişikliklerdir. Bu tezde, kavram kaymasınıntespitinde kullanılan klasik istatistiksel yöntemlerin bazı durumlarda yetersiz kaldığı elealınmış ve bu eksiklikleri gidermek amacıyla Açıklanabilir Yapay Zeka (AYZ)yöntemlerinden biri olan Kısmi Bağımlılık Profili (PDP) baz alınarak yeni bir yöntemgeliştirilmiştir: Profil Kayması Tespiti (PDD – Profile Drift Detection). Bu yeni yöntem,PDP eğrileri arasındaki değişiklikleri profillerin öklidyen uzaklıkları, türevleri arasındakiöklidyen uzaklık ve Profile Disparity Index (PDI) metrikleri ile değerlendirir.Çalışmada, literatürde bu konuda sıkça kullanılan sentetik ve gerçek hayat verisetleri kullanılarak, farklı yığın (batch) sayılarında veriler bölüntülenerek istatistikseltestler ve PDD yöntemi karşılaştırılmıştır. PDD, genellikle daha az sayıda kavramkayması tespit etmesine rağmen, model performansı bakımından istatistiksel testlerlebenzer veya daha iyi sonuçlar göstermiş ve yığın sayısı değiştiğinde de tutarlı sonuçlarvermiştir. PDD, model ile veri arasındaki ilişkinin daha detaylı incelenmesine olanaktanır. Önerilen yöntemin performansı, farklı yığın büyüklükleri için sentetik ve gerçekhayat verileri üzerinde yapılan deneysel çalışmalarla araştırılmıştır. Elde edilen bulgularagöre yöntemin kullanılabilirliği tartışılmıştır.