İçeriğe geç
parazade
Yapay Zeka

Topluluk Öğrenmesi Nedir?

İngilizce: Ensemble Learning

Yayın: · Son güncelleme:

Topluluk Öğrenmesi Nedir? Kısaca

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.

Topluluk Öğrenmesi nedir?
İçindekiler
  1. Topluluk öğrenmesi nedir?
  2. Başlıca yöntemler
  3. Örnek
  4. Nelere dikkat etmeli?

Topluluk öğrenmesi, tek bir modele güvenmek yerine birden çok modelin kararını birleştiren yöntemlerin genel adıdır. Fikir, bir konuda tek bir uzmana değil, bir uzmanlar kuruluna danışmaya benzer: Her biri farklı hatalar yapıyorsa, ortak karar genellikle daha isabetli olur.

Topluluk öğrenmesi nedir?

Bir sınıflandırma ya da regresyon probleminde birkaç model eğitilir ve tahminleri birleştirilir. Sınıflandırmada çoğunluk oylaması, sayısal tahminde ortalama sık kullanılır. Başarının anahtarı modellerin birbirinden farklı olmasıdır; hepsi aynı hatayı yapıyorsa birleştirmek bir şey kazandırmaz.

Başlıca yöntemler

  • Bagging: Verinin farklı rastgele örnekleriyle aynı türden modeller eğitilir, sonuçlar ortalanır. Varyansı azaltır. Rastgele orman en bilinen örneğidir.
  • Boosting: Modeller sırayla eğitilir; her yeni model, öncekilerin hata yaptığı örneklere odaklanır. Yanlılığı azaltmada etkilidir. AdaBoost ve gradyan artırma bu ailedendir.
  • Stacking: Farklı türden modellerin tahminleri, bunları nasıl birleştireceğini öğrenen bir üst modele girdi olarak verilir.

Örnek

Varsayımsal bir e-posta filtresinde üç model düşün: Biri bir mesaja "spam", ikisi "normal" diyor. Çoğunluk oylamasıyla sonuç "normal" olur. Tek bir modelin yanlışı, diğerleri tarafından dengelenmiş olur.

Nelere dikkat etmeli?

Topluluk modelleri genellikle daha doğrudur ama eğitim ve tahmin maliyeti artar, modelin neden o kararı verdiğini açıklamak zorlaşır. Küçük ve basit problemlerde tek bir iyi ayarlanmış model çoğu zaman yeterlidir.

Sıkça Sorulan Sorular

Topluluk öğrenmesi neden daha iyi sonuç verir?

Farklı modeller farklı hatalar yaptığında, tahminlerin birleştirilmesi bu hataların bir kısmını birbirine karşı dengeler. Sonuç genellikle daha kararlı ve isabetli olur.

Bagging ile boosting arasındaki fark nedir?

Bagging modelleri paralel ve bağımsız eğitip sonuçlarını ortalar, daha çok varyansı azaltır. Boosting modelleri sırayla eğitir ve her model öncekinin hatalarını düzeltmeye çalışır.

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.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.StackingStacking (yığınlama), farklı türden makine öğrenmesi modellerinin tahminlerini girdi olarak kullanan bir üst modelin, bu tahminleri en iyi nasıl birleştireceğini öğrendiği 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.Regresyon(Regression)Regresyon (regression), bir veya birden fazla değişken ile sürekli bir sayısal sonuç arasındaki ilişkiyi modelleyerek ev fiyatı, satış miktarı ya da teslim süresi gibi değerleri tahmin etmeye yarayan istatistik ve makine öğrenmesi yöntemidir.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.