Dempster-Shafer Birleşimi
Dempster-Shafer Evidence Fusion · Ayrıca şöyle bilinir: belief function fusion, evidence combination
Dempster-Shafer birleşimi, hipotez alt kümelerine temel olasılık kütleleri atayarak birden çok kaynaktan gelen tahminleri birleştiren, kanıt teorisine (inanç fonksiyonları) dayalı bir topluluk yöntemidir. Tekil sonuçlar üzerinde bir olasılık dağılımı gerektirmek yerine, sonuç kümeleri üzerindeki belirsizliğe izin vererek güven ve şüphenin daha zengin bir temsilini sağlar. Dempster (1968) tarafından geliştirilen ve Shafer (1976) tarafından resmileştirilen bu yöntem, kaynakların güvenilmez, çelişkili veya kısmi kanıt sağladığı durumlarda özellikle kullanışlıdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sınıflandırıcılar güvenilmez olduğunda, belirsiz tahminler sağladığında veya çelişkili kanıtlar içerdiğinde Dempster-Shafer birleşimini kullanın. Çok kaynaklı veri birleşiminde (örn. radar, kızılötesi ve görsel sensörleri birleştirme) ve belirsizliğin açıkça temsil edilmesi gereken teşhis görevlerinde başarılıdır. Sınıflandırıcılar oldukça doğruysa ve kesin tahminler sağlıyorsa, daha basit yöntemler (çoğunluk oylaması) yeterli olacağından ve hesaplama açısından daha ucuz olduğundan bundan kaçının.
Güçlü yönler & sınırlılıklar
- Yalnızca tekil sonuçlar değil, hipotez kümeleri üzerindeki belirsizliği yakalar.
- Kaynaklar arasındaki çelişkiyi K çelişki ölçüsü aracılığıyla açıkça ele alır.
- Birden çok kaynaktan gelen belirsiz kanıtları birleştirmek için teorik olarak sağlam bir çerçeve.
- Belirsizlik (bilgi eksikliği) ile olasılık (sonuçların olabilirlik) arasında ayrım yapar.
- Heterojen veya güvenilmez sınıflandırıcılarla iyi çalışır.
- Hesaplama açısından pahalıdır: M hipotez üzerinde N sınıflandırıcıyı birleştirmek O(2^M) işlem gerektirir.
- Kütle atamasına duyarlıdır: sınıflandırıcı çıktılarının kütlelere dönüştürülmesi dikkatli kalibrasyon gerektirir.
- Yüksek çelişki (K, 1'e yakın), temelden uyumsuz kaynakları gösterir; yöntem prensipli bir çözüm sunmaz.
- Basit oylama yöntemlerinden daha fazla alan bilgisi gerektirir; kütle fonksiyonlarını seçmek önemsiz değildir.
SSS
Sınıflandırıcı çıktılarından temel olasılık kütlelerini nasıl atarım?
Güven skorlarını kütlelere dönüştürün: eğer bir sınıflandırıcı A sınıfını p güvenle tahmin ediyorsa, m({A})=p ve m({tüm hipotezler})=1-p atayın. Yumuşak tahminler için, daha karmaşık yöntemler olasılık dağılımlarını odak elemanlarına (belirli ilgi alanlarının alt kümeleri) eşler.
K çelişki ölçüsü neyi temsil eder?
K, kaynaklar arasındaki çelişki derecesini ölçer. K=0 anlaşma anlamına gelir; K>0.5 ciddi çelişkiyi gösterir. Yüksek çelişki, kaynakların uyumsuz veya temelden çelişkili olduğunu düşündürür. Eğer K > 0.7 ise, çelişkili kaynakları kaldırmayı veya güvenilirliklerini doğrulamayı düşünün.
İnanç, olabilirlik veya ortalama kullanmalı mıyım?
İnanç iyimserdir (yalnızca belirli kanıtları toplar); olabilirlik kötümserdir (olası kanıtları toplar). Muhafazakar kararlar için inancı kullanın; iyimser kararlar için olabilirliği kullanın. Birçok uygulama ortalamayı kullanır veya en düşük inançsızlık olabilirliğine (1-olabilirlik) sahip sınıfı bulur.
Dempster-Shafer, Bayesci birleşimden nasıl farklıdır?
Bayesci yöntemler bir önsel dağılım ve olabilirlik gerektirir; Dempster-Shafer, inanç ve olabilirlik ile çalışarak önsel bilgilerden kaçınır. Dempster-Shafer, cehaleti daha iyi ele alır (tüm hipotezler üzerindeki kütle), Bayesci birleşim ise hesaplama açısından daha verimlidir.
Kaynaklar
- Dempster, A. P. (1968). A generalization of Bayesian inference. Journal of the Royal Statistical Society, 30(2), 205-247. DOI: 10.1111/j.2517-6161.1968.tb00722.x ↗
- Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dempster-Shafer Evidence Fusion. ScholarGate. https://scholargate.app/tr/ensemble-learning/dempster-shafer-fusion
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çoğunluk OylamasıTopluluk öğrenmesi↔ karşılaştır
- Weighted VotingKarar verme↔ karşılaştır