Güvercin Yuvası İlkesi : Hayatın icindeki ince ayar Matematik
Tembel X İlkesi
Bir gün “X çıktısı” üzerine düşünürken fark ettim ki, bazen sonucu bilmek için her ihtimali tek tek kontrol etmemize gerek yok.
İşte bu düşünce beni tanıdık ama yeterince takdir edilmeyen güçlü bir prensiple buluşturdu:
Güvercin Yuvası İlkesi.
Ama ben ona esprili bir isimle sesleniyorum: Tembel X İlkesi
(patenti bu yazıdan sonra bana aittir. 😊)
Aslinda tembellik degil , akilli bir sezgi ve analizdir. Basit dusunme ilkesi.
Bir kutuda 4 renk kalem var: kırmızı, yeşil, mavi, sarı.
Eğer 5 tane kalem çekersen...
Aynı renkten en az iki kalem olur mu?
Bir tepside 6 kek yeri var. Ama sen 7 tane kek pişirdin! Tüm kekleri tepsiye koyabilir misin, her biri ayrı yere?
Bu tür soruların cevabı, şaşırtıcı derecede basit ama bir o kadar da güçlü bir prensipte gizlidir:
Güvercin Yuvası İlkesi.
Ama ben ona biraz esprili, biraz sezgisel bir isim veriyorum: Tembel X İlkesi. ( Patenti bu yaziyi yazdiktan sonra bana aittir. :) )
Güvercin Yuvası İlkesi Nedir ?
Eğer n tane öğeyi m tane kutuya yerleştiriyorsanız ve n > m ise,
en az bir kutuda birden fazla öğe bulunmak zorundadır.
Yani: Öğe sayısı, kap sayısını aşarsa, tekrar kaçınılmazdır.
Adını güvercin ve yuva metaforundan alır:
5 güvercini 4 yuvaya koyarsanız, en az bir yuvada iki güvercin olur. Matematik buna “kesin” der.
Matematikte buna 'kesin-absolute" denir.
Ben bu ilkeye “Tembel X” diyorum çünkü bize şunu söyler:
“Sonucu bilmek için her ihtimali tek tek kontrol etmene gerek yok.
Matematik zaten var olduğunu garanti ediyor.”
Yani
“Eğer elimdeki şeyler, kutuların sayısından fazlaysa, bir kutuya iki şey koymak zorundayım. Bu yüzden bazı şeylerin aynı olması garantidir.”
Bu çok zeki ama basit bir fikirdir.
Bir şeyi görmesek bile, onun var olduğunu bilmemizi sağlar.
Bu, düşünsel tembelliğe değil, akıllı sezgiye üzmeyelim.
Herhangi bir sistemde “aynılık” ya da “tekrar” sezdiğinizde bu, bir "Tembel X" anı olabilir. Ve belki de size gizli bir sinyal veriyordur."
Hadi Zar atalım.
6 yüzlü zar 7 defa atılırsa, en az bir sayı tekrar eder. Ama bu sefer kesin bir olasılık olacak. Sizi üzmeyeceğim.
Makine Öğrenmesi ve Veri Biliminde Tembel X İlkesi
Bu ilke , sessizce çalışan ama etkisi büyük bir matematik yasasıdır.
Birçok durumda, bir şeyin var olduğunu tek tek hesaplamadan bilebiliriz.
İşte birkaç somut örnek:
Kategorik Değişkenlerde Tekrar:
Veri görselleştirmede ve segment odaklı pazarlama stratejilerinde çok faydalıdır.
Bir e-ticaret veri setinde, müşteri segmenti sadece 8 farklı değer alabiliyor (örneğin: eski, yeni, riskli, aktif vb.). Ama elinizde 15.000 müşteri varsa...En az binlerce müşteri aynı segmenttedir.
Bunu modellemeye başlamadan bile garanti olarak bilirsin.
Feature Engineering – Aynı Özellik Kombinasyonları
Bazı feature kombinasyonlarının tekrar etmesi kaçınılmazdır.
Bu da veri kümesinde sık görülen örnek kalıplarını (pattern frequency) ortaya çıkarır.Bunun farkında olmak, overfitting riski ve veri dengesizliği açısından önemlidir.
100.000 satırlık bir veri setinde, bazı öznitelikler (özellikle kategorik olanlar) çok düşük çeşitliliğe sahiptir.
Örneğin bir "ülke" değişkeni sadece 5 farklı ülke içeriyorsa...
Örneğin: Aynı yaş + cinsiyet + ülke kombinasyonuna sahip binlerce satır olabilir.
Sınıflandırmada Etiket Dengesizliği
Bazı öznitelikler, farklı girişlerde tamamen aynı etiketle sonuçlanır.
Bu tekrarlar, karar ağacı gibi modellerin veriyi gruplarken sıkça kullandığı şeydir.
Bir sınıflandırma problemin var: Binary class (0 ve 1).Toplam 300.000 veri noktan var ama sadece 2 sınıf.Her sınıf için 150.000 örnek olduğunu varsaymak bile bazı özellik kombinasyonlarının aynı sınıfı aldığı anlamına gelir.
Hyperparameter Tuning
Tuning sırasında "en iyi kombinasyonu" bulmak kadar, aynı sonucu veren "benzer yolları" da anlamak önemli olabilir.
Bir model için 500 farklı hyperparameter kombinasyonu deniyorsun. Ama bu kombinasyonlar sonucu sadece 80 farklı accuracy değeri üretiyor. Yani aynı başarı skorunu veren birçok farklı parametre vardır.
Kayıp Veri İmputation – Aynı Tahminler
Kayıp veri doldurma yöntemleri (imputation), tekdüzelik oluşturabilir.
Bu da modelin çeşitliliğini etkiler — Tembel X burada gizli tekrarları ortaya çıkarır.
Örnekleri Finans'tan verelim.
Aynı Getirili Hisselerde , 300 hisseye bakıyoruz ama sadece 250 farklı getiri seviyesi varsa: En az iki hisse aynı getiriyi sağlamıştır.
Portföy Dağılımında , 10 farklı risk profili varsa ve 11 yatırımcı varsa: En az iki yatırımcı aynı profildedir.
Backtest Sonuçlarında , 200 hisseye aynı stratejiyi uyguladın ve sadece 180 farklı performans skoru çıktıysa: En az 20 hisse aynı skorla sonuçlanmıştır.
Yatırımcı Davranışsal sınıflandırması yaparken ,100 farklı yatırımcı davranış profiliyle 101 yatırımcı sınıflandırılıyorsa: En az iki kişi aynı davranış modeline sahiptir.
...
Tembel X ile Düşünmenin Kazandırdıkları ve bunu sadece ön bilgi elde etmek kullanın. Yolunuzu çözmenize fikir verebilir. Ama %100 sizi aydinlatmaz.
Aynılık bazen sıkıcılık değil, kestirme bilgi kaynağıdır.
Çeşitlilik sınırlıysa, tekrar kaçınılmazdır. Ve bu önemli ipuçları barındırır.
Tek tek bakmadan, veride nerede tekrar olduğunu tahmin edebiliriz.
En iyiyi bulman şart değil, iyi olanların var olduğunu biliyorsun.
Daha az işlemle daha çok çıkarım yapılabilir.
Model karmaşasını azaltmak, önemsiz değişkenleri elemek için tekrar eden örnekleri bulmak hayati önem taşır.
Veriyle çalışırken her hücreye, her değere teker teker bakamayız.
Ama Tembel X İlkesi, bize “bakmadan da görebileceğimizi” fısıldar.
Bazı şeylerin aynı olduğunu bilmek — bu tembel değil, akıllı sezgidir.
Makine öğrenmesinde, tıpkı finans ve hayatta olduğu gibi, sayılar bazı gerçekleri saklayamaz.
"Bazen görmek, bakmaktan çok daha fazlasıdır.
Matematik bile bunu fısıldar: Çeşitlilik sınırlıysa, tekrar kaçınılmazdır."
Lazy X Principle by YBC :)
Yigit Brave Cesur
15 Nisan 2025
--------------------------------------------------------------------------------------------------------------------
The Pigeonhole Principle: Fine-Tuned Mathematics Hidden in Life
The Lazy X Principle
One day, while thinking about an "X outcome", I came across a curious idea.
It made me realize that sometimes, to know the result,
you don’t have to check every single possibility one by one.
This thought led me to a well-known, yet not fully appreciated, powerful principle:
The Pigeonhole Principle.
But I like to give it a bit of a humorous and intuitive twist:
The Lazy X Principle.
(Patent officially mine after this article. 😊)
Actually, it’s not laziness.
It’s a clever kind of intuition and analysis.
A principle of simple thinking.
There’s a box with 4 different colored pens: red, green, blue, yellow.
If you pull out 5 pens...
Will there be at least two pens of the same color?
There’s a tray with 6 cupcake spots.
But you baked 7 cupcakes!
Can you place each cupcake in its own separate spot?
The answers to these questions are hidden in a surprisingly simple —
but incredibly strong — principle:
The Pigeonhole Principle.
And yes, once again, I call it:
The Lazy X Principle.
(Patent still pending. 😄)
What Is the Pigeonhole Principle?
If you’re placing n items into m boxes, and n > m,
at least one box must contain more than one item.
In other words:
If the number of items exceeds the number of containers, repetition is unavoidable.
The name comes from a pigeon-and-nest metaphor:
If you place 5 pigeons in 4 pigeonholes,
at least one pigeonhole will have two pigeons.
Mathematics calls this: absolute.
I call it the Lazy X Principle because it tells us:
“You don’t need to check every case one by one to know the result.
Math already guarantees that it’s true.”
In short:
“If I have more things than containers,
I must place more than one thing into a container.
So, some things are guaranteed to be the same.”
This is a brilliant yet simple idea.
Even if we don't see something,
it helps us know that it exists.
This isn’t about mental laziness —
it’s intelligent intuition.
Whenever you sense repetition or sameness in any system,
that might be a Lazy X moment.
And maybe, it's whispering a hidden signal to you.
Let’s roll a die.
If you roll a standard 6-sided die 7 times,
at least one number will repeat.
But this time, it’s not a probability —
it’s a certainty.
I promise, no disappointment here.
The Lazy X Principle in Machine Learning and Data Science
This principle is a quiet but powerful mathematical law.
In many situations,
we can know something exists
without calculating it explicitly.
Here are a few practical examples:
Categorical Variables and Repetition
Very useful in data visualization and segmentation-focused marketing strategies.
In an e-commerce dataset,
let’s say the customer segment has only 8 possible values
(e.g., new, returning, risky, active, etc.).
But you have 15,000 customers...
Thousands of them are guaranteed to fall into the same segment.
You know this even before modeling starts.
Feature Engineering – Same Feature Combinations
Some feature combinations are guaranteed to repeat.
This reveals frequent patterns in your dataset.
Being aware of this is important for overfitting risks and data imbalance.
In a dataset with 100,000 rows,
some features — especially categorical ones — have very low diversity.
For example, if a "country" variable contains only 5 unique countries...
You’ll definitely find thousands of rows
with the same age + gender + country combination.
Label Repetition in Classification
Some features will always produce the same label across different entries.
These repetitions are often what tree-based models rely on.
You have a classification problem with a binary target (0 and 1).
300,000 data points in total — but only 2 classes.
Even if each class has 150,000 samples,
it means many feature combinations must map to the same label.
Hyperparameter Tuning – Same Outcomes
When tuning, finding the best combination is important,
but so is recognizing that many different paths can lead to the same result.
You try 500 different hyperparameter combinations.
But they produce only 80 unique accuracy scores.
That means many parameter sets result in the same performance.
Missing Data Imputation – Repetitive Predictions
Imputation methods often lead to uniformity.
This can affect model diversity —
and Lazy X reveals hidden repetitions here too.
Examples from Finance
Stocks with Same Return:
You’re analyzing 300 stocks, but there are only 250 unique return levels.
At least two stocks had identical returns.
Portfolio Allocation:
There are 10 different risk profiles.
You have 11 investors.
At least two investors share the same profile.
Backtest Results:
You applied the same strategy to 200 stocks,
but only got 180 unique performance scores.
At least 20 stocks had the same result.
Behavioral Investor Classification:
You define 100 investor behavior profiles
but classify 101 investors...
At least two must belong to the same category.
What You Gain by Thinking in Lazy X
Use it to get preliminary insights.
It might help guide your direction.
But no — it won’t fully enlighten you.
Sameness is not always boring —
it’s sometimes a shortcut to knowledge.
If diversity is limited,
repetition is inevitable.
And that carries powerful signals.
We can often guess where repetition lies,
without looking at everything one by one.
You don’t have to find the absolute best —
You just know there are good enough solutions out there.
Fewer steps, more insight.
Finding repeated examples is vital
to simplify your model
and eliminate irrelevant variables.
When working with data,
we can’t check every cell, every value, one by one.
But The Lazy X Principle whispers to us:
“You can see it… without always looking.”
Knowing that some things are the same —
that’s not laziness.
That’s intelligent intuition.
In machine learning, just like in finance and life,
numbers can’t hide the truth.
"Look beyond the data.
Sometimes, what you can't see is what tells you the most."
(The Lazy X Principle – seeing without checking everything)
Yigit Brave Cesur
April 15, 2025
