Bir şirket, personelin potansiyel müşterilerle iletişime geçebilmesi için bir müşteri adayı önceliklendirme aracı geliştiriyor. Çalışanlar, alan uzmanlıklarına göre girdi değişkenlerinin önemini (ağırlıklarını) görüntüleyebilmeli ve manuel olarak ayarlayabilmelidir. Hangi tür ML modeli bu gereksinimi destekler?

Lojistik regresyon modelleri, her bir girdi özelliğinin (değişkenin) çıktı üzerindeki etkisini gösteren ağırlıklar atar. Bu ağırlıklar, modelin tahminlerini nasıl yaptığını açık ve yorumlanabilir bir şekilde ortaya koyar. Çalışanların alan uzmanlıklarına göre bu ağırlıkları görüntüleyip manuel olarak ayarlayabilmesi, lojistik regresyonun şeffaf yapısı sayesinde kolayca sağlanabilir. Derin öğrenme modelleri ve sinir ağları genellikle "kara kutu" modellerdir; yani, tahminlerinin arkasındaki mantığı ve bireysel özelliklerin etkisini yorumlamak zordur. K-en yakın komşu (k-NN) modeli ise ağırlık kavramına sahip değildir; tahminler, en yakın komşuların çoğunluk oylamasına veya ortalamasına dayanır. Bu nedenle, lojistik regresyon, belirtilen gereksinimler için en uygun seçenektir.