İçeriğe geç
parazade
Yapay Zeka

Bootstrap Yöntemi Nedir?

İngilizce: Bootstrapping

Yayın: · Son güncelleme:

Bootstrap Yöntemi Nedir? Kısaca

Bootstrap yöntemi, eldeki tek bir örneklemden yerine koyarak çok sayıda yeni örneklem üretip bir istatistiğin dağılımını, standart hatasını ve güven aralığını tahmin etmeye yarayan yeniden örnekleme tekniğidir.

Bootstrap Yöntemi nedir?
İçindekiler
  1. Bootstrap yöntemi nedir?
  2. Örnek
  3. Makine öğrenmesindeki yeri
  4. Sınırları

Bootstrap yöntemi, mevcut veri setini kendi kitlesi gibi kullanarak ondan tekrar tekrar örnekler çeken bir istatistik tekniğidir. Adını "kendi çizmesinin bağcığından çekerek kalkmak" deyiminden alır; çünkü ek veri toplamadan elindeki veriden yararlanır.

Bootstrap yöntemi nedir?

Temel adımlar şöyledir:

  1. Elindeki n gözlemli örneklemden, yerine koyarak yine n gözlem seç. Aynı gözlem birden fazla seçilebilir, bazıları hiç seçilmeyebilir.
  2. Bu yeni örneklemde ilgilendiğin istatistiği (ortalama, medyan, korelasyon vb.) hesapla.
  3. Bu işlemi yüzlerce ya da binlerce kez tekrarla.
  4. Elde ettiğin değerlerin dağılımından standart hata ve güven aralığı çıkar.

Örnek

Varsayımsal olarak 50 müşterinin harcama verisi olsun ve medyan harcamanın ne kadar güvenilir olduğunu merak ediyorsun. Medyan için basit bir formül yoktur. Bootstrap ile 2.000 yeni örneklem üretir, her birinin medyanını hesaplarsın. Bu medyanların ortadaki %95'lik kısmı, yaklaşık bir güven aralığı verir.

Makine öğrenmesindeki yeri

Bagging (bootstrap aggregating) bu fikre dayanır: Her model farklı bir bootstrap örneklemiyle eğitilir, sonra tahminler birleştirilir. Rastgele orman algoritması da bu yaklaşımı kullanır. Model başarısının ne kadar kararlı olduğunu ölçmek için de bootstrap tercih edilir.

Sınırları

Bootstrap, örneklemin kitleyi iyi temsil ettiğini varsayar. Çok küçük ya da yanlı örneklemde hatalı güven verir. Zaman serisi gibi gözlemlerin birbirine bağlı olduğu verilerde blok bootstrap gibi uyarlanmış türleri gerekir.

Sıkça Sorulan Sorular

Bootstrap yönteminde kaç tekrar yapılmalı?

Standart hata tahmini için birkaç yüz tekrar çoğu zaman yeterlidir. Güven aralığı için genellikle 1.000 ve üzeri tekrar önerilir.

Bootstrap ile çapraz doğrulama aynı şey mi?

Hayır. Çapraz doğrulama veriyi yerine koymadan katmanlara ayırarak model performansını ölçer. Bootstrap ise yerine koyarak yeniden örnekler ve daha çok bir istatistiğin belirsizliğini tahmin etmek için kullanılır.

İlgili terimler

BaggingBagging (bootstrap aggregating), eğitim verisinden yerine koymalı rastgele örnekler çekip her biriyle ayrı bir model eğiten ve bu modellerin tahminlerini oylama ya da ortalama ile birleştiren bir topluluk öğrenmesi yöntemidir.Rastgele Orman(Random Forest)Rastgele orman (random forest), her biri verinin rastgele bir örneği ve rastgele seçilen özelliklerle eğitilen çok sayıda karar ağacının tahminlerini oylama ya da ortalama ile birleştiren bir makine öğrenmesi algoritmasıdır.Güven Aralığı(Confidence Interval)Güven aralığı, örneklem verisinden hesaplanan ve bilinmeyen bir kitle değerinin (ör. ortalama ya da oran) belirli bir güven düzeyinde içinde bulunabileceği değer aralığıdır. Tek bir tahminin ne kadar belirsiz olduğunu gösterir.Örneklem(Sample)Örneklem, bir araştırmada incelenmek istenen kitlenin tamamı yerine, onu temsil etmesi amacıyla seçilen alt gruptur. Örneklemden elde edilen sonuçlar, istatistiksel yöntemlerle kitlenin geneline genellenir.Medyan(Median)Medyan (ortanca), bir veri seti küçükten büyüğe sıralandığında tam ortada kalan değerdir. Verinin yarısı medyanın altında, yarısı üstündedir; aykırı değerlerden aritmetik ortalamaya göre çok daha az etkilenir.Harf Çevirisi(Transliteration)Harf çevirisi (transliterasyon), bir yazı sistemindeki metnin, anlamı çevrilmeden başka bir yazı sisteminin harfleriyle yazılmasıdır. Örneğin Kiril alfabesiyle yazılmış bir ismin Latin harflerine aktarılması harf çevirisidir.