Çoğunluk Oylaması
Majority Voting Ensemble · Ayrıca şöyle bilinir: hard voting
Çoğunluk oylaması, birden çok temel sınıflandırıcının tahminlerini, en çok oyu alan sınıfı seçerek birleştiren bir topluluk (ensemble) yöntemidir. Her bir temel sınıflandırıcı, tahmin edilen bir sınıf için bir oy kullanır ve nihai tahmin çoğunluk (salt çoğunluk) oyu alan sınıftır. Bu yaklaşım, sınıflandırma doğruluğunu artırmanın basit ama etkili bir yolu olarak 1990'larda Leo Breiman ve arkadaşları tarafından biçimlendirilmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Birden çok temel sınıflandırıcınız olduğunda ve basit, yorumlanabilir topluluk tahminleri gerektiğinde çoğunluk oylamasını kullanın. Çok sınıflı sınıflandırma için iyi çalışır ve temel sınıflandırıcıların nispeten bağımsız olduğunu varsayar. Tüm temel modellerin aynı hataları yapma eğiliminde olması veya yüksek derecede ilişkili olması durumunda daha az etkilidir. Temel öğrenicileri bireysel doğruluklarına göre ağırlıklandırmanız gerekiyorsa diğer topluluk yöntemlerini (boosting, stacking) tercih edin.
Güçlü yönler & sınırlılıklar
- Uygulaması ve anlaşılması basittir—doğrudan oylama kuralı herhangi bir ayarlama gerektirmez.
- Hesaplama açısından verimlidir—tahmin süresi, temel sınıflandırıcıların sayısıyla doğrusal olarak ölçeklenir.
- Çoğunluk net olduğunda aykırı tahminlere karşı dayanıklıdır.
- Herhangi bir temel sınıflandırıcı türüyle çalışır (heterojen topluluklar mümkündür).
- Sınıflandırıcı güvenilirliğini göz ardı eder—her model, doğruluğuna bakılmaksızın eşit bir oy alır.
- Temel sınıflandırıcılar yüksek derecede ilişkili ise veya hepsi sistematik hatalar yapıyorsa etkisizdir.
- Çok sınıflı ayarlarda beraberlikler oluşabilir, bu da keyfi beraberlik kuralı gerektirir.
- Performans, temel sınıflandırıcı çeşitliliğine ve bireysel kaliteye kritik derecede bağlıdır.
SSS
Temel sınıflandırıcı sayısını nasıl seçerim?
5-10 sınıflandırıcı ile başlayın; daha fazlasını eklemek kararlılığı artırabilir ancak azalan getirilerle. Doğruluk kazanımlarını hesaplama maliyetiyle dengeleyin. Daha fazla sınıflandırıcı, çeşitli olduklarında yardımcı olur; gereksiz modeller değer katmaz.
Temel sınıflandırıcı sayısı çiftse ve bir beraberlik oluşursa ne olur?
Eğitimden önce bir beraberlik kuralı tanımlayın: en yüksek kümülatif tahmin güvenine sahip sınıfa atayın, rastgele seçim kullanın veya önceden tanımlanmış varsayılan bir sınıfa atayın. Tutarlı beraberlik kuralı tekrarlanabilirliği sağlar.
Çoğunluk oylamasını regresyon problemleriyle kullanabilir miyim?
Sert oylama sınıflandırma için tasarlanmıştır. Regresyon için, bunun yerine yumuşak ortalama (tahminlerin ortalaması) veya ağırlıklı ortalama kullanın.
Temel sınıflandırıcı çeşitliliği daha iyi topluluk performansı garanti eder mi?
Çeşitlilik yardımcı olur ancak yeterli değildir. Temel sınıflandırıcılar hem hata desenlerinde çeşitli olmalı hem de bireysel olarak rastgele tahminden daha iyi olmalıdır. Eğitim hatası korelasyonu yoluyla çeşitliliği ampirik olarak ölçün.
Kaynaklar
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655 ↗
- Kuncheva, L. I. (2004). Combining Pattern Classifiers: Methods and Algorithms. Wiley-Interscience. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Majority Voting Ensemble. ScholarGate. https://scholargate.app/tr/ensemble-learning/majority-voting
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- AdaBoostMakine öğrenmesi↔ karşılaştır
- Bagging EnsembleTopluluk öğrenmesi↔ karşılaştır
- Boosting EnsembleTopluluk öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yığılmış GenellemeTopluluk öğrenmesi↔ karşılaştır