Bias – (Önyargı -Eşik Değeri)

Bias (Önyargı veya Eşik Değeri), yapay sinir ağlarında nöronların yalnızca giriş verilerine bağlı kalmadan daha esnek kararlar verebilmesini sağlayan öğrenilebilir bir parametredir. Ağırlıklar (weights) giriş değişkenlerinin önemini belirlerken, bias değeri nöronun aktivasyon fonksiyonuna gönderilen toplam değeri sabit bir miktar kaydırır. Böylece model, yalnızca giriş değerlerinin doğrusal kombinasyonuna bağlı kalmaz ve veriler arasındaki daha karmaşık ilişkileri öğrenebilir. Bias, istatistikteki sabit terime (intercept) benzer bir işlev görür ve hemen hemen tüm modern yapay sinir ağı mimarilerinde kullanılan temel bileşenlerden biridir.

Bir yapay nöronda her giriş değeri ilgili ağırlığı ile çarpılır, bu çarpımlar toplanır ve son olarak bias değeri eklenir. Elde edilen toplam değer aktivasyon fonksiyonuna gönderilerek nöronun çıktısı hesaplanır. Matematiksel olarak bu işlem şu şekilde ifade edilir:

[
z=\sum_{i=1}^{n}w_i x_i+b
]

Burada (x_i) giriş değerlerini, (w_i) ağırlıkları ve (b) ise bias değerini göstermektedir. Bias bulunmadığı durumda, aktivasyon fonksiyonunun karar sınırı yalnızca orijinden geçmek zorunda kalır ve modelin öğrenme kapasitesi önemli ölçüde azalır. Bias parametresi sayesinde karar sınırı uygun yönde kaydırılarak çok daha esnek sınıflandırmalar gerçekleştirilebilir. Eğitim sürecinde bias değeri de ağırlıklar gibi geri yayılım (backpropagation) algoritması ile güncellenir ve modelin hata oranını azaltacak şekilde optimize edilir.

Bias; evrişimsel sinir ağları (Convolutional Neural Networks – CNN), tekrarlayan sinir ağları (Recurrent Neural Networks – RNN), Transformer modelleri, büyük dil modelleri (Large Language Models – LLM) ve üretken yapay zekâ sistemleri dâhil olmak üzere hemen hemen tüm sinir ağı mimarilerinde kullanılmaktadır. Her nöron genellikle kendisine ait bağımsız bir bias parametresine sahiptir ve bu parametre modelin öğrenme esnekliğini artırır. Ağırlıklar giriş değişkenlerinin etkisini belirlerken, bias karar fonksiyonunun konumunu ayarlayarak modelin daha doğru tahminler üretmesini sağlar. Modern derin öğrenme modellerinde milyonlarca hatta milyarlarca ağırlığın yanında çok sayıda bias parametresi de öğrenilmektedir. Doğru optimize edilmiş bias değerleri, modelin daha hızlı yakınsamasına, daha düşük hata üretmesine ve daha yüksek genelleme başarısı göstermesine katkı sağlar. Bu nedenle Bias, yapay sinir ağlarının matematiksel temelini oluşturan ve model performansını doğrudan etkileyen en önemli öğrenilebilir parametrelerden biri olarak kabul edilmektedir.