[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-stratified-sampling::tr":3,"gloss-cluster-stratified-sampling::tr":23,"gloss-next-stratified-sampling::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"stratified-sampling","mlops","Katmanlı Örnekleme","Katmanlı örnekleme, popülasyonu önem taşıyan gruplara bölüp her birinden bilerek çekmek demektir; vakaları rastgele alıp bileşimin işe yarar çıkmasını ummak değil. Değerlendirme kümeleri için genellikle doğru varsayılandır, çünkü tümüyle orantılı bir örneklem, yaygın olan neyse ona boğulur ve yaygın olan, nadiren endişelendiğiniz şeydir. Küme trafiği yansıtıyorsa bir destek sınıflandırıcısı neredeyse tümüyle rutin sorular üzerinden ölçülür; hatanın pahalı olduğu seyrek kategoriler ise bir avuç kez görünür ve puanları okunamayacak kadar oynaktır. Katmanlar, hakkında ayrı bir karar vermek isteyeceğiniz şeylerden seçilir: müşteri kesimi, dil, belge türü, istek uzunluğu, zorluk, arıza sınıflandırmanızdaki kategoriler; paydaşın soracağı hangisiyse. Sonra her birinden, hakkında bir şey söyleyebilecek kadar çekersiniz; bu da genelde seyrek olanları bilerek fazla temsil etmek demektir. Tuzak raporlama anında gelir. Katmanlı bir küme artık trafiğin bir resmi değildir, dolayısıyla üzerinde hesaplanan genel bir ortalama var olmayan bir popülasyonu betimler. Canlı davranışı temsil eden bir rakam istiyorsanız, birleştirirken her katmanı gerçek payına göre ağırlıklandırın; sistemin zor vakaları nasıl karşıladığını bilmek istiyorsanız, onları ayrı raporlayın ve bunu söyleyin. Tekrarlayıp duran hata şudur: kümeyi özenle kurmak, zor kategorileri iyi gerekçelerle fazla örneklemek ve sonra bir özette ağırlıklandırılmamış ortalamayı aktarmak; orada bu, genel bir nitelik sayısı gibi okunur ve sistemi hatırı sayılır ölçüde olduğundan kötü gösterir. Katmanları ve boyutlarını birinin aklında değil kümenin yanında kaydedin. Altı ay sonra sayılar, orada bulunmamış kişilerce yeni sayılarla karşılaştırılacaktır ve bileşimi belgelenmemiş bir küme, yukarıda anlatılan yanlış okumayı tam olarak davet eder.","Katmanlı örnekleme, trafiği yansıtmak yerine önemli gruplardan çeker. Değerlendirme kümeleri neden buna ihtiyaç duyar ve ortalama neden yanıltır.",null,[11,14,17,20],{"slug":12,"name":13},"class-imbalance","Sınıf Dengesizliği",{"slug":15,"name":16},"data-sampling","Veri Örnekleme",{"slug":18,"name":19},"golden-dataset","Altın Veri Kümesi",{"slug":21,"name":22},"survivorship-bias","Hayatta Kalan Yanlılığı",[24,28,31,35,38,41,44,47,50,53,54,57],{"slug":25,"category":5,"name":26,"updated_at":27},"acceptance-threshold","Kabul Eşiği","2026-09-10T03:30:02+00:00",{"slug":29,"category":5,"name":30,"updated_at":27},"adjudication","Uyuşmazlık Çözümü",{"slug":32,"category":5,"name":33,"updated_at":34},"annotation-guidelines","Etiketleme Kılavuzu","2026-09-08T21:32:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"baseline-model","Temel Model (Baseline)",{"slug":39,"category":5,"name":40,"updated_at":34},"batch-inference","Toplu Çıkarım",{"slug":42,"category":5,"name":43,"updated_at":27},"blind-evaluation","Kör Değerlendirme",{"slug":45,"category":5,"name":46,"updated_at":34},"canary-prompt","Kanarya Prompt",{"slug":48,"category":5,"name":49,"updated_at":27},"ceiling-effect","Tavan Etkisi",{"slug":51,"category":5,"name":52,"updated_at":34},"champion-challenger","Şampiyon-Meydan Okuyan (A\u002FB Model Testi)",{"slug":12,"category":5,"name":13,"updated_at":34},{"slug":55,"category":5,"name":56,"updated_at":34},"continuous-batching","Sürekli Toplu İşleme (Continuous Batching)",{"slug":58,"category":5,"name":59,"updated_at":27},"coverage-gap","Kapsam Boşluğu"]