Korelasyon ve nedensellik (causation) arasındaki fark nedir? ML projelerinde bu neden önemlidir?

Korelasyon, iki değişkenin birlikte değişme eğilimidir. Nedensellik ise birindeki değişikliğin diğerini doğrudan değiştirmesidir. Korelasyon nedenselliği kanıtlamaz.

Korelasyonun nedensellik olmadığı durumlar

• Confounder (karıştırıcı değişken): Dondurma satışları ile boğulma vakaları korelasyonludur. İkisini de sıcak hava artırır.
• Ters nedensellik: Hastanede daha uzun kalan hastaların ölüm oranı daha yüksektir. Hastanede kalmak öldürmez, ağır hastalar daha uzun kalır.
• Seçim yanlılığı (selection bias): Sadece başarılı girişimleri incelemek (survivorship bias).
• Tesadüf: Çok sayıda değişken karşılaştırıldığında anlamsız korelasyonlar bulunur.

Pearson korelasyonu sadece doğrusal ilişkiyi ölçer. y = x² gibi güçlü ama doğrusal olmayan bir ilişkide 0'a yakın çıkabilir. Monoton ilişkiler için Spearman kullanılabilir.

ML'de neden önemli?

• Prediktif modeller korelasyon öğrenir. Tahmin için bu yeterlidir. Ama müdahale kararı (indirim versek churn azalır mı?) için nedensellik gerekir.
• Feature importance nedensel etki değildir. "Model en çok X'e bakıyor" demek, "X'i değiştirirsek sonuç değişir" demek değildir.
• Spurious correlation'lar dağılım değişince modeli bozar. Örnek: zatürre modeli, röntgen cihazının hastaneye özgü işaretlerini öğrenip başka hastanede çöker.
• Öneri sistemlerinde geri besleme döngüsü: Model popüler ürünleri gösterir, onlar daha çok tıklanır, model daha çok emin olur.

Nedenselliği nasıl ölçeriz?

1. Randomize deney (A/B testi): Altın standart, confounder'ları rastgele atamayla dengeler.
2. Deney mümkün değilse gözlemsel nedensel çıkarım: difference-in-differences, propensity score matching, instrumental variables, regression discontinuity.
3. Uplift modeling: Müdahalenin her bireydeki ek etkisini tahmin etmek.