İçeriğe geç
parazade
Yapay Zeka

Stacking Ne Demek?

Yayın: · Son güncelleme:

Stacking Ne Demek? Kısaca

Stacking (yığınlama), farklı türden makine öğrenmesi modellerinin tahminlerini girdi olarak kullanan bir üst modelin, bu tahminleri en iyi nasıl birleştireceğini öğrendiği bir topluluk öğrenmesi yöntemidir.

Stacking nedir?
İçindekiler
  1. Stacking ne demek?
  2. Nasıl çalışır?
  3. Nelere dikkat etmeli?

Stacking, Türkçede "yığınlama" ya da "üst üste koyma" anlamına gelir. Makine öğrenmesinde, birkaç farklı modelin çıktısını basitçe ortalamak yerine bu çıktıları nasıl birleştireceğini öğrenen ikinci bir model kullanma yöntemidir.

Stacking ne demek?

Bir topluluk öğrenmesi tekniği olan stacking'de iki katman vardır:

  • Temel modeller (seviye 0): Örneğin bir karar ağacı, bir lojistik regresyon ve bir destek vektör makinesi. Her biri aynı problemi kendi yöntemiyle çözer.
  • Üst model (meta model, seviye 1): Temel modellerin tahminlerini girdi olarak alır ve son kararı verir. Genellikle basit bir model, örneğin lojistik regresyon seçilir.

Nasıl çalışır?

  1. Veri katmanlara ayrılır ve çapraz doğrulama ile her temel model, eğitimde görmediği satırlar için tahmin üretir.
  2. Bu "görülmemiş veri tahminleri" yeni bir tablo oluşturur.
  3. Üst model bu tablo üzerinde eğitilir; hangi temel modele ne zaman daha çok güveneceğini öğrenir.
  4. Yeni veride önce temel modeller tahmin yapar, sonra üst model bunları birleştirir.

Temel modellerin kendi eğitim verisi üzerindeki tahminlerini kullanmak, üst modelin aşırı iyimser sinyallerle eğitilmesine, yani veri sızıntısına yol açar. Çapraz doğrulama adımı bu yüzden önemlidir.

Nelere dikkat etmeli?

  • Temel modeller birbirinden ne kadar farklıysa stacking o kadar fayda sağlar.
  • Kurulumu ve bakımı karmaşıktır; hesaplama maliyeti yüksektir.
  • Kazanç çoğu zaman küçüktür; bu yöntem daha çok yarışmalarda ve son yüzdelerin önemli olduğu projelerde tercih edilir.

Sıkça Sorulan Sorular

Stacking ile basit oylama arasındaki fark nedir?

Oylamada tüm modellere eşit ya da elle belirlenmiş ağırlık verilir. Stacking'de ise bu birleştirme kuralını veriden bir üst model öğrenir.

Stacking'de üst model olarak ne seçilir?

Genellikle lojistik ya da doğrusal regresyon gibi basit bir model seçilir. Karmaşık bir üst model, temel modellerin tahminlerine aşırı uyum sağlayabilir.

İlgili terimler

Topluluk Öğrenmesi(Ensemble Learning)Topluluk öğrenmesi (ensemble learning), birden fazla makine öğrenmesi modelinin tahminlerini oylama, ortalama ya da başka bir modelle birleştirerek tek bir modelden daha doğru ve kararlı sonuç elde etmeyi amaçlayan yaklaşımdır.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.BoostingBoosting, makine öğrenmesinde zayıf modellerin sırayla eğitildiği ve her yeni modelin öncekilerin hata yaptığı örneklere odaklandığı bir topluluk öğrenmesi yöntemidir; sonuçta bu modeller birleştirilerek güçlü bir tahminci elde edilir.Çapraz Doğrulama(Cross-Validation)Çapraz doğrulama (cross-validation), veri setini birkaç parçaya bölüp modeli her seferinde farklı bir parçayı test için ayırarak tekrar tekrar eğiten ve sonuçların ortalamasıyla modelin yeni verilerdeki başarısını daha güvenilir ölçen yöntemdir.Temel Model(Foundation Model)Temel model, çok geniş ve çeşitli verilerle ön eğitilen, ardından ince ayar veya promptlarla pek çok farklı göreve uyarlanabilen büyük ölçekli yapay zekâ modelidir.Eğitim Verisi(Training Data)Eğitim verisi, bir makine öğrenmesi modelinin kalıpları öğrenmek için kullandığı örneklerin bütünüdür; modelin ne bildiğini, ne kadar doğru olduğunu ve hangi önyargıları taşıdığını büyük ölçüde belirler.