Tahmin modellerinde belirsizliği yönetmek

Tahmin denince akla genelde tek bir sayı geliyor: "Gelecek ay 1.200 birim satacağız." Ama gerçek dünya böyle çalışmıyor. Bir tahminin asıl değeri, beraberinde getirdiği belirsizlik bilgisiyle ortaya çıkıyor.

Nokta tahmini neden yetmiyor?

Diyelim ki üretim planlaması yapıyorsunuz. Model "1.200 birim" dedi, siz de tam 1.200 birimlik hammadde siparişi verdiniz. Gerçek talep 1.400 çıkınca stok yetersiz kaldı; 900 çıkınca da elde fazla stok birikti. Her iki durumda da maliyet arttı.

Sorun modelin kötü olması değil — sorun modelin size ne kadar emin olduğunu söylememesi.

Prediction interval ile düşünmek

Python'da basit bir zaman serisi tahmini yaparken prediction interval eklemek şaşırtıcı derecede kolay:

import numpy as np
from sklearn.linear_model import LinearRegression

# Basit örnek: aylık satış verisi
aylar = np.array([1, 2, 3, 4, 5, 6]).reshape(-1, 1)
satislar = np.array([980, 1050, 1120, 1080, 1200, 1150])

model = LinearRegression().fit(aylar, satislar)
tahmin = model.predict([[7]])[0]

# Residual'lardan standart sapma hesapla
residuals = satislar - model.predict(aylar)
std_err = np.std(residuals)

# %95 güven aralığı (yaklaşık 2 standart sapma)
alt_sinir = tahmin - 2 * std_err
ust_sinir = tahmin + 2 * std_err

print(f"Nokta tahmini: {tahmin:.0f}")
print(f"%95 aralık: {alt_sinir:.0f} - {ust_sinir:.0f}")

Bu basit örnekte bile çıktı "1.190" yerine "1.070 - 1.310 arası" olarak gelir. Planlamacı bu aralığı görünce hammadde siparişini üst sınıra göre ayarlayabilir, ya da en kötü senaryoya göre stok tamponu ekleyebilir.

Karar kalitesine etkisi

Yaklaşım	Sipariş kararı	Risk
Nokta tahmini: 1.200	Tam 1.200 birim	Talep sapmasında stok fazlası veya eksikliği
Aralık: 1.070 - 1.310	1.310 + %5 tampon	Maksimum kayıp sınırlı, fazla stok kontrollü

Aralıklı düşünmek sadece istatistiksel bir tercih değil, karar kalitesini doğrudan etkiliyor. Modelin "emin olduğu" ve "emin olmadığı" durumları ayırt edebilmek, planlamada esneklik sağlıyor.

Daha ileri: konformal tahmin

Klasik prediction interval'lar model varsayımlarına bağımlıdır (normal dağılım, sabit varyans vb.). Conformal prediction gibi yöntemler ise model-agnostik çalışır — herhangi bir regresyon veya sınıflandırma modeline eklenebilir ve belirlenen güven düzeyini garanti eder. Büyük veri setlerinde veya karmaşık modellerde bu yaklaşım daha güvenilir sonuçlar verir.

Sonuç olarak: tahmin modelinizin çıktısı tek bir sayıysa, muhtemelen en önemli bilgiyi — belirsizliği — kaybediyorsunuz.