Yığılmış Genelleme
Stacked Generalization Ensemble · Ayrıca şöyle bilinir: stacking, meta-learning
Yığılmış genelleme veya yığma (stacking), taban-düzey sınıflandırıcıların orijinal veri üzerinde eğitildiği ve bir meta-öğrenicinin taban sınıflandırıcıların tahminleri üzerinde eğitildiği iki düzeyli bir topluluk yöntemidir. Meta-öğrenici, sabit toplama kuralları kullanmak yerine taban tahminlerini en iyi nasıl birleştireceğini öğrenir. David Wolpert tarafından 1992'de tanıtılan yığma, taban modeller arasındaki optimal ağırlıklandırma ve etkileşim örüntülerini otomatik olarak öğrenerek en gelişmiş performansı elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Çeşitli taban sınıflandırıcılarınızın orta düzeyde bireysel doğruluğa sahip olduğu ve bunların birleşimini optimize etmek istediğinizde yığmayı kullanın. Özellikle taban modellerin farklı güçlü ve zayıf yönleri olduğunda (örneğin, karar ağaçları, sinir ağları, SVM'ler) etkilidir. Taban sınıflandırıcılar yüksek derecede ilişkiliyse veya hesaplama maliyeti kritikse, yığma ek bir meta-model eğitmeyi gerektirdiğinden kaçının.
Güçlü yönler & sınırlılıklar
- Optimal toplama ağırlıklarını otomatik olarak öğrenir, sabit oylama kurallarını geride bırakır.
- Bireysel taban sınıflandırıcıların güçlü ve zayıf yönlerine uyum sağlar.
- Heterojen taban öğrenicileri (farklı algoritmalar, hiperparametreler) işler.
- Makine öğrenmesi yarışmalarında sıklıkla en gelişmiş performansı elde eder.
- Aşırı uyumu önlemek için dikkatli tasarım gerektirir: meta-öğrenici, düzgün doğrulanmazsa taban tahminlerini ezberleyebilir.
- Artan hesaplama maliyeti: sadece K model yerine K+1 model eğitmek.
- Meta-öğrenici seçimi genellikle probleme özgüdür; evrensel olarak en iyi seçim yoktur.
- Yorumlanabilirlik karmaşıklık arttıkça azalır - nihai karar verme mantığını anlamak zordur.
SSS
Yığmada aşırı uyumu nasıl önlerim?
Meta-özellikler oluşturmak için k-katlı çapraz doğrulama kullanın: her katın test tahminleri meta-eğitim verisi haline gelir. Bu, meta-öğrenicinin taban sınıflandırıcıların eğitildiği veriler üzerindeki tahminleri görmesini engeller. Nihai değerlendirme için her zaman ayrı bir tutma doğrulama seti kullanın.
Meta-öğrenici olarak hangi modeli kullanmalıyım?
Basit modeller genellikle en iyi sonucu verir: lojistik regresyon, lineer regresyon veya küçük bir karar ağacı. Karmaşık meta-öğreniciler (rastgele ormanlar, sinir ağları) meta-özelliklere aşırı uyum riski taşır. Basit başlayın ve doğrulama performansı durağanlaşırsa karmaşıklık ekleyin.
Taban sınıflandırıcılar aynı veri üzerinde eğitilmeli mi?
Hayır. Farklı veri örnekleri (bagging) üzerinde eğitilmiş veya farklı algoritmalarla eğitilmiş çeşitli taban sınıflandırıcılar, meta-öğrenici genellemesini iyileştirir. Aynı taban sınıflandırıcılar aynı tahminleri üretir, meta-öğreniciye faydalı bir bilgi sağlamaz.
Yığmayı regresyon ve sınıflandırma ile kullanabilir miyim?
Evet. Regresyon için meta-öğrenici, taban regresör çıktılarından sürekli değerler tahmin eder. Sınıflandırma için, taban sınıflandırıcı olasılık puanlarından sınıfları tahmin eder. Prensip aynıdır.
Kaynaklar
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241-259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- Breiman, L. (1996). Stacked regressions. Machine Learning, 24(1), 49-64. DOI: 10.1023/a:1018046112532 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Stacked Generalization Ensemble. ScholarGate. https://scholargate.app/tr/ensemble-learning/stacked-generalization
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bagging EnsembleTopluluk öğrenmesi↔ karşılaştır
- Boosting EnsembleTopluluk öğrenmesi↔ karşılaştır
- Çoğunluk OylamasıTopluluk öğrenmesi↔ karşılaştır